L4GM ist ein großes 4D-Rekonstruktionsmodell, das aus der Eingabe von Einzelansichtsvideos animierte Objekte schnell generieren kann. Es verwendet einen neuartigen Datensatz, der aus Mehransichtsvideos besteht, die animierte Objekte zeigen, die in Objaverse gerendert wurden. Dieser Datensatz enthält 44.000 verschiedene Objekte und 110.000 Animationen, gerendert aus 48 Blickwinkeln, was zu 12 Millionen Videos mit insgesamt 300 Millionen Frames führt. L4GM basiert auf dem vortrainierten 3D-Großrekonstruktionsmodell LGM, das aus Mehransichtsbildern 3D-Gaußsche Ellipsoide ausgeben kann. L4GM gibt eine 3D-Gaußsche Splatting-Darstellung für jeden Frame aus und erhöht dann die Framerate durch Hochskalierung für eine zeitliche Glättung. Darüber hinaus enthält L4GM zeitliche Selbstaufmerksamkeits-Layer, um zeitliche Konsistenz zu lernen, und verwendet einen Mehransichts-Rendering-Verlust zur Modellschulung.