論文の概要: SceneScribe-1M: A Large-Scale Video Dataset with Comprehensive Geometric and Semantic Annotations

• arxiv url: http://arxiv.org/abs/2604.07990v1
• Date: Thu, 09 Apr 2026 08:59:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.815474
• Title: SceneScribe-1M: A Large-Scale Video Dataset with Comprehensive Geometric and Semantic Annotations
• Title（参考訳）: SceneScribe-1M: 総合的な幾何学的および意味的アノテーションを備えた大規模ビデオデータセット
• Authors: Yunnan Wang, Kecheng Zheng, Jianyuan Wang, Minghao Chen, David Novotny, Christian Rupprecht, Yinghao Xu, Xing Zhu, Wenjun Zeng, Xin Jin, Yujun Shen,
• Abstract要約: SceneScribe-1Mは新しい大規模多時間ビデオデータセットである。 そこには100万本のビデオが含まれており、それぞれに詳細なテキスト記述、正確なパラメータ、深度マップ、一貫性のある3Dポイントトラックなどが含まれている。 SceneScribe-1Mの汎用性と価値は、単眼深度推定、シーン再構成動的点追跡、テキスト・ビデオ合成などの生成タスク、カメラ制御の有無にかかわらず、幅広い下流タスクのベンチマークを確立することで示される。
• 参考スコア（独自算出の注目度）: 88.8747004592363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The convergence of 3D geometric perception and video synthesis has created an unprecedented demand for large-scale video data that is rich in both semantic and spatio-temporal information. While existing datasets have advanced either 3D understanding or video generation, a significant gap remains in providing a unified resource that supports both domains at scale. To bridge this chasm, we introduce SceneScribe-1M, a new large-scale, multi-modal video dataset. It comprises one million in-the-wild videos, each meticulously annotated with detailed textual descriptions, precise camera parameters, dense depth maps, and consistent 3D point tracks. We demonstrate the versatility and value of SceneScribe-1M by establishing benchmarks across a wide array of downstream tasks, including monocular depth estimation, scene reconstruction, and dynamic point tracking, as well as generative tasks such as text-to-video synthesis, with or without camera control. By open-sourcing SceneScribe-1M, we aim to provide a comprehensive benchmark and a catalyst for research, fostering the development of models that can both perceive the dynamic 3D world and generate controllable, realistic video content.
• Abstract（参考訳）: 3次元幾何学的知覚とビデオ合成の収束は、意味情報と時空間情報の両方に富む大規模ビデオデータに対する前例のない需要を生み出している。 既存のデータセットは3D理解かビデオ生成のいずれかを進歩させてきたが、両方のドメインを大規模にサポートする統一されたリソースを提供することにおいて、大きなギャップは依然として残っている。 このシャームを橋渡しするために、新しい大規模マルチモーダルビデオデータセットであるSceneScribe-1Mを導入する。 そこには100万本のビデオが含まれており、それぞれに詳細なテキスト記述、正確なカメラパラメータ、深度マップ、一貫性のある3Dポイントトラックなどが含まれている。 SceneScribe-1Mの汎用性と価値は,モノクロ深度推定,シーン再構成,ダイナミックポイントトラッキングなどの下流タスクと,テキスト・ビデオ合成などの生成タスクをカメラ制御の有無に関わらず行うことで実証する。 SceneScribe-1Mをオープンソース化することで、ダイナミックな3D世界を知覚し、制御可能なリアルな映像コンテンツを生成できるモデルの開発を促進するため、包括的なベンチマークと研究用触媒を提供することを目指している。

関連論文リスト

• Charge: A Comprehensive Novel View Synthesis Benchmark and Dataset to Bind Them All [21.211645353347908]
  本稿では,高画質・高精細な現実感と複雑な細部を有するアニメーション映画から生成した,新規ビュー合成のための新しいデータセットを提案する。 私たちのデータセットは様々なダイナミックなシーンを捉え、詳細なテクスチャ、照明、動きで完結しています。 最先端の4Dシーン再構成と新しいビュー生成モデルの訓練と評価に最適である。
  論文  参考訳（メタデータ） (2025-12-15T18:33:08Z)
• SpatialVID: A Large-Scale Video Dataset with Spatial Annotations [58.01259302233675]
  SpaceVIDは、さまざまなシーン、カメラの動き、フレームごとのカメラポーズ、奥行き、動き指示などの密集した3Dアノテーションを備えた、Wildのビデオのデータセットである。 21,000時間以上の生のビデオを収集し、階層的なフィルタリングパイプラインを通して270万のクリップに処理します。 その後のアノテーションパイプラインは、カメラポーズ、深度マップ、ダイナミックマスク、構造化キャプション、シリアライズされたモーションインストラクションなど、これらのクリップを詳細な空間的および意味的な情報で強化する。
  論文  参考訳（メタデータ） (2025-09-11T17:59:31Z)
• Voyager: Long-Range and World-Consistent Video Diffusion for Explorable 3D Scene Generation [66.95956271144982]
  本稿では,単一画像から一貫した3Dポイントクラウドシーケンスを生成する新しいビデオ拡散フレームワークであるVoyagerを紹介する。 既存のアプローチとは異なり、Voyagerはフレーム間で固有の一貫性を持って、エンドツーエンドのシーン生成と再構築を実現している。
  論文  参考訳（メタデータ） (2025-06-04T17:59:04Z)
• Articulate3D: Holistic Understanding of 3D Scenes as Universal Scene Description [56.69740649781989]
  3Dシーン理解は、コンピュータビジョンにおける長年の課題であり、混合現実、ウェアラブルコンピューティング、そして具体化されたAIを実現する上で重要な要素である。 室内280のシーンに高品質な手動アノテーションを付加した専門的な3DデータセットであるArticulate3Dを紹介する。 我々はまた,部分分割を同時に予測できる新しい統一フレームワークUSDNetと,オブジェクトの動作属性の完全な仕様を提示する。
  論文  参考訳（メタデータ） (2024-12-02T11:33:55Z)
• MMScan: A Multi-Modal 3D Scene Dataset with Hierarchical Grounded Language Annotations [55.022519020409405]
  本稿では,マルチモーダルな3Dシーンデータセットと階層型言語アノテーションを用いたベンチマーク,MMScanを構築した。 結果として得られたマルチモーダルな3Dデータセットは、109kオブジェクトと7.7kリージョン上の1.4Mメタアノテーション付きキャプションと、3Dビジュアルグラウンドと質問応答ベンチマークのための3.04M以上の多様なサンプルを含んでいる。
  論文  参考訳（メタデータ） (2024-06-13T17:59:30Z)
• AutoDecoding Latent 3D Diffusion Models [95.7279510847827]
  本稿では,3次元オートデコーダをコアとした静的・明瞭な3次元アセットの生成に対して,新しいアプローチを提案する。 3D Autodecoderフレームワークは、ターゲットデータセットから学んだプロパティを潜時空間に埋め込む。 次に、適切な中間体積潜在空間を特定し、ロバストな正規化と非正規化演算を導入する。
  論文  参考訳（メタデータ） (2023-07-07T17:59:14Z)

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。