論文の概要: Stereo World Model: Camera-Guided Stereo Video Generation

• arxiv url: http://arxiv.org/abs/2603.17375v1
• Date: Wed, 18 Mar 2026 05:42:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.524831
• Title: Stereo World Model: Camera-Guided Stereo Video Generation
• Title（参考訳）: ステレオワールドモデル:カメラによるステレオビデオ生成
• Abstract要約: 本稿では、ステレオビデオ生成のための外観と両眼形状を共同で学習するカメラコンディショニングステレオワールドモデルであるStereoWorldを紹介する。 単分子RGBやRGBDのアプローチとは異なり、StereoWorldはRGBモードでのみ動作する。
• 参考スコア（独自算出の注目度）: 52.3922115596956
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present StereoWorld, a camera-conditioned stereo world model that jointly learns appearance and binocular geometry for end-to-end stereo video generation.Unlike monocular RGB or RGBD approaches, StereoWorld operates exclusively within the RGB modality, while simultaneously grounding geometry directly from disparity. To efficiently achieve consistent stereo generation, our approach introduces two key designs: (1) a unified camera-frame RoPE that augments latent tokens with camera-aware rotary positional encoding, enabling relative, view- and time-consistent conditioning while preserving pretrained video priors via a stable attention initialization; and (2) a stereo-aware attention decomposition that factors full 4D attention into 3D intra-view attention plus horizontal row attention, leveraging the epipolar prior to capture disparity-aligned correspondences with substantially lower compute. Across benchmarks, StereoWorld improves stereo consistency, disparity accuracy, and camera-motion fidelity over strong monocular-then-convert pipelines, achieving more than 3x faster generation with an additional 5% gain in viewpoint consistency. Beyond benchmarks, StereoWorld enables end-to-end binocular VR rendering without depth estimation or inpainting, enhances embodied policy learning through metric-scale depth grounding, and is compatible with long-video distillation for extended interactive stereo synthesis.
• Abstract（参考訳）: 本稿では,モノクラーRGBやRGBDのアプローチとは異なり,StereoWorldはRGBモダリティ内でのみ動作すると同時に,幾何学と相違点を直接的にグルーピングしながら,外観と両眼図形を同時学習するステレオワールドモデルを提案する。 ステレオ生成を効率よく行うために,1)カメラ対応回転位置符号化による潜在トークンの強化,2)カメラ対応位置符号化による相対的,視点的,時間的整合性条件の維持,2)3次元視野内注意と水平列注意に4次元の注意をフルに分解するステレオ認識分解,の2つの重要な設計を提案する。 ベンチマーク全体では、StereoWorldはステレオ一貫性、不均一さの正確性、カメラモーションの忠実さを、強力なモノクロ・タン変換パイプラインよりも向上させ、視点整合性で5%向上した3倍以上の高速な生成を実現している。 ベンチマーク以外にも、StereoWorldは、深度推定や塗装を行わずに、エンドツーエンドの両眼VRレンダリングを可能にし、メートル法スケールの深度グラウンドングによるエボデードポリシー学習を強化し、インタラクティブなステレオ合成を拡張するための長期ビデオ蒸留と互換性がある。

関連論文リスト

• TSR-Ego: Temporally Guided Stereo Refinement Framework for Egocentric 3D Human Pose Estimation [11.399976049695212]
  頭部に装着したステレオカメラによるエゴセントリックな3Dポーズ推定は、魚眼の歪み、重度の自己閉塞、頻繁な関節切断により困難である。 TSR-Egoは,短期動作証拠と投影誘導特徴サンプリングを結合した時間誘導ステレオフレームワークである。 UnrealEgo2とUnrealEgo-RWの実験では、特に実世界のシークエンスにおいて、最先端のパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2026-07-10T07:56:30Z)
• H-OmniStereo: Zero-Shot Omnidirectional Stereo Matching with Heading-Aligned Normal Priors [39.6437115448559]
  H-OmniStereoはゼロショット全方位ステレオマッチングフレームワークである。 我々は280万以上のトップボトム等方形ステレオペアからなる高品質な合成データセットを構築した。 提案手法はドメイン外データセットの既存手法よりも精度が高い。
  論文  参考訳（メタデータ） (2026-05-14T15:30:22Z)
• StereoPilot: Learning Unified and Efficient Stereo Conversion via Generative Priors [41.34827274890319]
  ステレオビデオ変換のための大規模な統合データセットUniStereoを紹介する。 本稿では,対象の視点を直接合成する効率的なフィードフォワードモデルであるStereoPilotを提案する。 実験により、StereoPilotは視覚的忠実度と計算効率の両方において最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2025-12-18T18:59:50Z)
• StereoWorld: Geometry-Aware Monocular-to-Stereo Video Generation [108.97993219426509]
  StereoWorldは、高忠実なモノクル・ツー・ステレオビデオ生成のためのエンドツーエンドフレームワークである。 我々のフレームワークは、幾何学的に認識された正規化で生成を明示的に監視しながら、単眼ビデオ入力のモデルを規定する。 大規模なトレーニングと評価を可能にするため,高精細度ステレオビデオデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-12-10T06:50:16Z)
• Boosting Omnidirectional Stereo Matching with a Pre-trained Depth Foundation Model [70.67610495024459]
  カメラベースの設定は、立体深度推定を用いて高解像度の高解像度深度マップを生成することで、コスト効率のよい選択肢を提供する。 既存の全方位ステレオマッチング手法は、様々な環境において限られた深度精度しか達成できない。 DFI-OmniStereoは, 大規模事前学習基礎モデルを用いて, 相対的な単眼深度推定を行う新しい全方位ステレオマッチング法である。
  論文  参考訳（メタデータ） (2025-03-30T16:24:22Z)
• Mono2Stereo: A Benchmark and Empirical Study for Stereo Conversion [88.67015254278859]
  ステレオ変換の詳細な探索を支援するため,高品質なトレーニングデータとベンチマークを提供するMono2Stereoデータセットを紹介した。 1) 左右のビューの違いは微妙であるが、既存のメトリクスでは全体のピクセルを考慮し、ステレオ効果に批判的な領域に集中できない。 本稿では, ステレオ効果に関する人間の判断と高い相関性が得られる新しい評価指標, Stereo Intersection-over-Union を提案する。
  論文  参考訳（メタデータ） (2025-03-28T09:25:58Z)
• Stereo Any Video: Temporally Consistent Stereo Matching [15.876953256378224]
  本稿では,ビデオステレオマッチングのための強力なフレームワークであるStereo Any Videoを紹介する。 カメラのポーズや光の流れといった補助的な情報に頼ることなく、空間的精度と時間的整合性を推定することができる。 主要なアーキテクチャ革新は、スムーズでロバストなコストボリュームを構成する全対対相関と、時間的コヒーレンスを改善する時間的凸アップサンプリングである。
  論文  参考訳（メタデータ） (2025-03-07T16:20:36Z)
• Stereo Anything: Unifying Zero-shot Stereo Matching with Large-Scale Mixed Data [77.27700893908012]
  ステレオマッチングは3次元視覚の基盤として機能し、深度回復のためのステレオ画像対間の画素ワイド対応を確立することを目的としている。 現在のモデルは、目に見えないドメインにデプロイすると、しばしば深刻なパフォーマンス劣化を示す。 データ中心のフレームワークであるStereoAnythingを導入し、既存のステレオモデルのゼロショット一般化能力を大幅に強化する。
  論文  参考訳（メタデータ） (2024-11-21T11:59:04Z)
• Stereo Matching in Time: 100+ FPS Video Stereo Matching for Extended Reality [65.70936336240554]
  リアルタイムステレオマッチング(Real-time Stereo Matching)は、屋内3D理解、ビデオパススルー、混合現実感ゲームなど、多くの拡張現実感(XR)アプリケーションのための基盤となるアルゴリズムである。 最大の課題の1つは、ヘッドマウントのVR/ARメガネによってキャプチャされた高品質な屋内ビデオステレオトレーニングデータセットの欠如である。 室内シーンのレンダリングと6-DoF移動VR/ARヘッドマウントディスプレイ(HMD)によるリアルなカメラモーションを含む,新しいステレオ合成データセットを提案する。 これにより既存のアプローチの評価が促進され、屋内拡張現実シナリオのさらなる研究が促進される。
  論文  参考訳（メタデータ） (2023-09-08T07:53:58Z)
• Video Frame Interpolation with Stereo Event and Intensity Camera [40.07341828127157]
  高品質な中間フレームを生成するための新しいステレオイベントベースVFIネットワーク(SE-VFI-Net)を提案する。 我々は,正確な光学的流れと不均一性推定を実現するために,融合した特徴を利用する。 提案するSEVFI-Netは最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2023-07-17T04:02:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。