論文の概要: ReinDriveGen: Reinforcement Post-Training for Out-of-Distribution Driving Scene Generation

• arxiv url: http://arxiv.org/abs/2604.01129v1
• Date: Wed, 01 Apr 2026 16:48:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.098968
• Title: ReinDriveGen: Reinforcement Post-Training for Out-of-Distribution Driving Scene Generation
• Title（参考訳）: ReinDriveGen: アウト・オブ・ディストリビューション駆動シーン生成のための強化後トレーニング
• Authors: Hao Zhang, Lue Fan, Weikang Bian, Zehuan Wu, Lewei Lu, Zhaoxiang Zhang, Hongsheng Li,
• Abstract要約: ReinDriveGenは動的駆動シーンのフルコントロールを可能にするフレームワークである。 提案手法は,マルチフレームLiDARデータから動的3Dポイントクラウドシーンを構築する。 提案手法では,映像拡散モデルを用いてリアルな運転映像を合成する2次元条件画像に編集シーンを描画する。
• 参考スコア（独自算出の注目度）: 61.64162666162948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present ReinDriveGen, a framework that enables full controllability over dynamic driving scenes, allowing users to freely edit actor trajectories to simulate safety-critical corner cases such as front-vehicle collisions, drifting cars, vehicles spinning out of control, pedestrians jaywalking, and cyclists cutting across lanes. Our approach constructs a dynamic 3D point cloud scene from multi-frame LiDAR data, introduces a vehicle completion module to reconstruct full 360° geometry from partial observations, and renders the edited scene into 2D condition images that guide a video diffusion model to synthesize realistic driving videos. Since such edited scenarios inevitably fall outside the training distribution, we further propose an RL-based post-training strategy with a pairwise preference model and a pairwise reward mechanism, enabling robust quality improvement under out-of-distribution conditions without ground-truth supervision. Extensive experiments demonstrate that ReinDriveGen outperforms existing approaches on edited driving scenarios and achieves state-of-the-art results on novel ego viewpoint synthesis.
• Abstract（参考訳）: ReinDriveGenは、ダイナミックな運転シーンをフルコントロールできるフレームワークで、アクターの軌跡を自由に編集して、前車衝突、ドリフトカー、制御不能の車両、歩行者ジャイウォーク、レーンを横断するサイクリストなどの安全上重要なコーナーケースをシミュレートすることができる。 提案手法では,マルチフレームLiDARデータからダイナミックな3Dポイントクラウドシーンを構築し,部分的な観察から全360度形状を再構成するための車両完成モジュールを導入し,映像拡散モデルによるリアルな運転映像の合成を行う2D条件画像に描画する。 このような編集シナリオは必然的にトレーニング分布の外に落ちてしまうので、さらにRLベースのポストトレーニング戦略として、対方向の選好モデルと対方向の報奨機構が提案され、地上のトラストの監督を伴わないアウト・オブ・ディストリビューション条件下での堅牢な品質改善が実現された。 大規模な実験により、ReinDriveGenは、編集された運転シナリオにおける既存のアプローチよりも優れており、新しいエゴ視点合成における最先端の結果が得られている。

関連論文リスト

• HorizonForge: Driving Scene Editing with Any Trajectories and Any Vehicles [63.88996084630768]
  制御可能な運転シーン生成は、現実的でスケーラブルな自律運転シミュレーションに不可欠である。 シーンを編集可能なガウス版とメッシュとして再構築する統合フレームワークであるHorizonForgeを紹介した。 実験により、ガウス・メシュ表現は代替の3次元表現よりもかなり高い忠実性をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-02-24T20:03:47Z)
• SymDrive: Realistic and Controllable Driving Simulator via Symmetric Auto-regressive Online Restoration [37.202523124756034]
  現在のアプローチは、しばしば大きな角度の新規ビュー合成に干渉し、資産操作中に幾何学的または照明的アーティファクトに悩まされる。 高品質なレンダリングとシーン編集が可能な統合拡散ベースのフレームワークであるSymDriveを提案する。 我々は,SymDriveが新規視認性向上とリアル3D車両挿入の両面において,光実写性能を実現することを実証した。
  論文  参考訳（メタデータ） (2025-12-25T10:28:43Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
  実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。 車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。 動作精度と空間認識の両面で既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-28T14:46:51Z)
• Driving View Synthesis on Free-form Trajectories with Generative Prior [39.24591650300784]
  DriveXは、新しいフリーフォーム駆動ビュー合成フレームワークである。 生成を最適化中に3次元ガウスモデルに蒸留する。 記録された軌道を超える高品質なビュー合成をリアルタイムで達成する。
  論文  参考訳（メタデータ） (2024-12-02T17:07:53Z)

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。