論文の概要: Controllable Video Object Insertion via Multiview Priors
- arxiv url: http://arxiv.org/abs/2604.14556v1
- Date: Thu, 16 Apr 2026 02:39:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.688037
- Title: Controllable Video Object Insertion via Multiview Priors
- Title（参考訳）: マルチビュープリミティブによる制御可能なビデオオブジェクト挿入
- Abstract要約: ビデオオブジェクト挿入は、既存の環境に新しいオブジェクトを動的に挿入するための重要なタスクである。
マルチビュー・オブジェクト・プリエントを統合したビデオ・オブジェクト・インサーションの新しいソリューションを提案する。
提案手法は,映像オブジェクト挿入の品質を大幅に改善し,安定かつ現実的な統合を実現する。
- 参考スコア（独自算出の注目度）: 30.363004603304418
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Video object insertion is a critical task for dynamically inserting new objects into existing environments. Previous video generation methods focus primarily on synthesizing entire scenes while struggling with ensuring consistent object appearance, spatial alignment, and temporal coherence when inserting objects into existing videos. In this paper, we propose a novel solution for Video Object Insertion, which integrates multi-view object priors to address the common challenges of appearance inconsistency and occlusion handling in dynamic environments. By lifting 2D reference images into multi-view representations and leveraging a dual-path view-consistent conditioning mechanism, our framework ensures stable identity guidance and robust integration across diverse viewpoints. A quality-aware weighting mechanism is also employed to adaptively handle noisy or imperfect inputs. Additionally, we introduce an Integration-Aware Consistency Module that guarantees spatial realism, effectively resolving occlusion and boundary artifacts while maintaining temporal continuity across frames. Experimental results show that our solution significantly improves the quality of video object insertion, providing stable and realistic integration.
- Abstract（参考訳）: ビデオオブジェクト挿入は、既存の環境に新しいオブジェクトを動的に挿入するための重要なタスクである。
従来のビデオ生成手法は主に、既存のビデオにオブジェクトを挿入する際に、一貫したオブジェクトの外観、空間的アライメント、時間的コヒーレンスを確保するのに苦労しながら、シーン全体を合成することに焦点を当てていた。
本稿では,動的環境における外見の不整合と隠蔽処理の共通問題に対処するために,複数視点オブジェクトを事前統合したビデオオブジェクト挿入の新しいソリューションを提案する。
2次元参照画像を多視点表現に引き上げ、デュアルパスビュー一貫性条件付け機構を活用することにより、我々のフレームワークは多様な視点で安定したアイデンティティガイダンスとロバストな統合を実現する。
ノイズや不完全な入力を適応的に処理するために、品質に配慮した重み付け機構も用いられる。
さらに,空間的リアリズムを保証し,フレーム間の時間的連続性を保ちながら,閉塞や境界アーチファクトを効果的に解決する統合意識整合モジュールを導入する。
実験結果から,本ソリューションはビデオオブジェクト挿入の品質を大幅に改善し,安定かつ現実的な統合を実現することが示された。
関連論文リスト
- FlexComposer: Unified Video Compositing from Images to Dynamic Footage with Flexible Trajectory Control [26.208912960696622]
トラジェクティブ誘導条件生成タスクとしてビデオ合成を標準化する統合フレームワークを提案する。
提案手法では,(1)大域的変位から物体の内在的な動きを分離し,不均一な入力を安定,中心となる潜在空間に標準化する統一的フォアグラウンド表現,(2)VAE潜在空間の変換等価性を利用したパラメータフリー機構による目標軌道への変換を行う空間認識潜在射出法,(3)手続き的シミュレーション,実世界の映像映像の相乗化を行うハイブリッドデータセットと合成-Real Curriculum,の3つの重要な設計を紹介する。
論文 参考訳（メタデータ） (2026-07-31T16:59:46Z) - Rethinking Object-Centric Representations for Video Dynamics Modeling [17.157587526107598]
教師なしのビデオオブジェクト追跡は、動的なシーンを手動のアノテーションなしで永続的なオブジェクト中心のエンティティに分解することを目的としている。
最近の多くのアプローチはスロットベースの表現に依存しており、固定された潜在変数のセット(スロット)はフレーム全体の個々のオブジェクトを表す。
STAITUSは,各スロットを外見と幾何学的ポーズ(ポジション/スケール)に明示的に切り離す統一的なフレームワークである。
論文 参考訳（メタデータ） (2026-06-22T14:55:41Z) - Smart-Insertion-V: Photorealistic Video Insertion via a Closed-Loop Feedback Dual-Stream Framework [52.477407591581176]
マスクのないビデオオブジェクト挿入は、ソースビデオへの参照オブジェクトの調和を要する、困難なタスクとして登場した。
ビデオ挿入と画像スタイル転送を同時に行う,エンドツーエンドのtextbfDual-Stream フレームワークである textittextbfSmart-Insertion-V を提案する。
論文 参考訳（メタデータ） (2026-05-22T17:54:54Z) - AGILE: Hand-Object Interaction Reconstruction from Video via Agentic Generation [45.753757870577196]
本稿では,対話学習のためのエージェント生成にパラダイムを転換する,堅牢なフレームワークAGILEを紹介する。
我々はAGILEがグローバルな幾何学的精度でベースラインを上回り、先行技術が頻繁に崩壊する挑戦的なシーケンスに対して、例外的な堅牢性を証明していることを示す。
論文 参考訳（メタデータ） (2026-02-04T15:42:58Z) - PLACID: Identity-Preserving Multi-Object Compositing via Video Diffusion with Synthetic Trajectories [22.63777279327245]
PLACIDは、オブジェクトイメージの集合を魅力的なマルチオブジェクト複合体に変換するフレームワークである。
まず、事前訓練された画像間拡散モデルとテキスト制御を用いて、オブジェクトの一貫性、アイデンティティ、背景の詳細を保存する。
第2に、ランダムに配置されたオブジェクトがターゲット位置へスムーズに移動する合成シーケンスを生成する新しいデータキュレーション戦略を提案する。
論文 参考訳（メタデータ） (2026-01-30T19:42:54Z) - Learning Object-Centric Representations Based on Slots in Real World Scenarios [5.922488908114023]
この論文では、オブジェクト中心合成のための強力な事前学習拡散モデルを適用するフレームワークを紹介している。
我々は、大域的なシーンコヒーレンスと不整合オブジェクト制御のバランスをとるという、重要な課題を識別する。
本手法は,軽量なスロットベースの条件付けを事前訓練されたモデルに統合し,オブジェクト固有の操作を提供しながら,それらの視覚的先行を保留する。
論文 参考訳（メタデータ） (2025-09-29T12:01:49Z) - Compositional Video Synthesis by Temporal Object-Centric Learning [3.2228025627337864]
本稿では、時間的に一貫したオブジェクト中心表現を利用する合成ビデオ合成のための新しいフレームワークを提案する。
提案手法は, 物体中心スロットの変動を学習し, 事前学習した拡散モデルに条件付けすることによって, 時間的ダイナミクスを明示的に捉える。
この設計により、時間コヒーレンスに優れた高品質の画素レベルのビデオ合成が可能となる。
論文 参考訳（メタデータ） (2025-07-28T14:11:04Z) - Learning Video Generation for Robotic Manipulation with Collaborative Trajectory Control [72.00655365269]
本稿では,協調的軌跡定式化を通じてオブジェクト間ダイナミクスをモデル化する新しいフレームワークであるRoboMasterを紹介する。
オブジェクトを分解する従来の方法とは異なり、我々のコアは、相互作用プロセスを3つのサブステージ(相互作用前、相互作用後、相互作用後)に分解することである。
提案手法は既存の手法よりも優れており,ロボット操作のための軌道制御ビデオ生成における最先端性能を確立している。
論文 参考訳（メタデータ） (2025-06-02T17:57:06Z) - HiScene: Creating Hierarchical 3D Scenes with Isometric View Generation [50.206100327643284]
HiSceneは、2D画像生成と3Dオブジェクト生成のギャップを埋める新しい階層的なフレームワークである。
構成構造を維持しながら2次元表現に整合した3次元コンテンツを生成する。
論文 参考訳（メタデータ） (2025-04-17T16:33:39Z) - Through-The-Mask: Mask-based Motion Trajectories for Image-to-Video Generation [52.337472185022136]
我々は、静的な画像をテキスト記述に基づいてリアルな映像シーケンスに変換するI2V(Image-to-Video)生成の課題について検討する。
I2V生成を分解する2段階の合成フレームワークを提案する。 (i) 明示的な中間表現生成段階, (ii) この表現に条件付けされたビデオ生成段階。
提案手法は,マルチオブジェクトおよびハイモーションシナリオを用いた挑戦的ベンチマークにおいて評価し,提案手法が最先端の整合性を実現することを実証的に示す。
論文 参考訳（メタデータ） (2025-01-06T14:49:26Z) - VideoSAM: Open-World Video Segmentation [33.09103541421983]
動的環境におけるオブジェクト追跡とセグメンテーションの整合性を改善するために設計された,エンドツーエンドのフレームワークであるVideoSAMを紹介する。
VideoSAMは集約されたバックボーンRADIOを統合し、類似度メトリクスを通じてオブジェクトの関連付けを可能にする。
提案手法は, UVO と BURST のベンチマーク, および RoboTAP のロボットビデオで広範に評価され, 実世界のシナリオにおけるその有効性とロバスト性を示す。
論文 参考訳（メタデータ） (2024-10-11T12:56:32Z) - Training-Free Robust Interactive Video Object Segmentation [82.05906654403684]
対話型ビデオオブジェクトセグメンテーション(I-PT)のためのトレーニングフリープロンプトトラッキングフレームワークを提案する。
スパースポイントとボックストラッキングを共同で採用し、不安定なポイントをフィルタリングし、オブジェクトワイズ情報をキャプチャします。
我々のフレームワークは、人気のあるVOSデータセット上で、ゼロショットビデオセグメンテーションの堅牢な結果を示してきた。
論文 参考訳（メタデータ） (2024-06-08T14:25:57Z) - Object-Centric Image Generation from Layouts [93.10217725729468]
複数のオブジェクトを持つ複雑なシーンを生成するレイアウト・ツー・イメージ生成法を開発した。
本手法は,シーン内のオブジェクト間の空間的関係の表現を学習し,レイアウトの忠実度の向上につながる。
本稿では,Fr'echet Inception Distanceのオブジェクト中心適応であるSceneFIDを紹介する。
論文 参考訳（メタデータ） (2020-03-16T21:40:09Z)
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。