論文の概要: CRePE: Curved Ray Expectation Positional Encoding for Unified-Camera-Controlled Video Generation

• arxiv url: http://arxiv.org/abs/2605.12938v1
• Date: Wed, 13 May 2026 03:18:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.781428
• Title: CRePE: Curved Ray Expectation Positional Encoding for Unified-Camera-Controlled Video Generation
• Title（参考訳）: CrePE: 統一カメラ制御ビデオ生成のための曲面線予測位置符号化
• Authors: Seonghyun Jin, Youngmin Kim, Sunwoo Park, Jong Chul Ye,
• Abstract要約: カメラコンディショニング映像生成のためのレイ期待位置制御(CrePE)を提案する。 CREPEは、各画像トークンをソース線に沿った奥行き認識位置分布として表現し、広角カメラや魚眼カメラによって誘導される投影された経路形状を捉えている。 デザインは、より安定したカメラコントロールをもたらし、幾何認識と知覚品質のメトリクスを改善します。
• 参考スコア（独自算出の注目度）: 48.95338161181985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Camera-conditioned video generation requires positional encoding that remains reliable under changes in camera motion, lens configuration, and scene structure. However, existing attention-level camera encodings either provide ray-only camera signals or rely on pinhole camera geometry, limiting their applicability to general camera control under the Unified Camera Model, including wide-angle and fisheye lenses. To address this limitation, we propose Curved Ray Expectation Positional Encoding (CRePE). CRePE represents each image token as a depth-aware positional distribution along its source ray, providing a Unified Camera Model-compatible positional encoding that captures the projected-path geometry induced by wide-angle and fisheye cameras. CRePE is implemented through a Geometric Attention Adapter added to frozen video DiTs, injecting token-wise scene-distance information into selected attention layers and stabilizing it with pseudo supervision from a monocular geometry foundation model. This design leads to more stable camera control and improves several geometry-aware and perceptual-quality metrics, while remaining competitive on video-quality metrics. Controlled positional-encoding ablations show a better overall average rank than a RayRoPE-style endpoint PE baseline, demonstrating the effectiveness of UCM-aware projected-path integration across diverse camera models. Furthermore, by extending the same positional-encoding pathway to external geometry control through Radial MixForcing, CRePE supports external radial-map control for scene-geometry-conditioned generation and source-video motion transfer beyond camera control.
• Abstract（参考訳）: カメラコンディショニングビデオ生成には、カメラモーション、レンズ構成、シーン構造の変化の下で信頼性の高い位置符号化が必要である。 しかし、既存の注目レベルのカメラエンコーディングは、光線のみのカメラ信号を提供するか、ピンホールカメラの幾何学に依存し、広角レンズや魚眼レンズを含む統一カメラモデルの下での一般的なカメラ制御に適用性を制限する。 この制限に対処するため、CrePE(Curved Ray expectation Positional Encoding)を提案する。 CREPEは、それぞれの画像トークンを、そのソース線に沿った奥行き認識位置分布として表現し、広角カメラと魚眼カメラによって誘導される投影されたパス形状をキャプチャする統一カメラモデル互換の位置符号化を提供する。 CREPEは、凍結ビデオDiTに付加された幾何学的注意適応器によって実装され、選択された注目層にトークンワイドのシーン距離情報を注入し、モノクロ幾何学基礎モデルから擬似的な監督で安定化する。 この設計は、より安定したカメラ制御をもたらし、ビデオ品質のメトリクスに競争力を維持しながら、幾つもの幾何学的認識と知覚的品質のメトリクスを改善する。 制御された位置エンコードにより、RayRoPE方式のエンドポイントPEベースラインよりも全体的な平均ランクが向上し、多様なカメラモデルにまたがるUCM対応の投影パス統合の有効性が示された。 さらに、同じ位置エンコーディング経路をRadial MixForcingを通じて外部形状制御に拡張することにより、CREPEは、シーンジオメトリ条件付き生成のための外部半径マップ制御と、カメラ制御を超えたソースビデオモーション転送をサポートする。

関連論文リスト

• URoPE: Universal Relative Position Embedding across Geometric Spaces [55.651792747815854]
  URoPEは回転位置埋め込み(Rotary Position Embedding, RoPE)の普遍的な拡張である。 キー/値の画像パッチごとに、URoPEは事前に定義された奥行きアンカーで対応するカメラ線に沿って3Dポイントをサンプリングする。 標準2D RoPEは、投影されたピクセル座標を用いて適用することができる。
  論文  参考訳（メタデータ） (2026-04-20T18:52:03Z)
• CETCAM: Camera-Controllable Video Generation via Consistent and Extensible Tokenization [32.42754288735215]
  CETCAMはカメラ制御可能なビデオ生成フレームワークである。 一貫性のあるトークン化スキームによって、カメラアノテーションは不要になる。 多様な生のビデオデータから堅牢なカメラ制御性を学び、高忠実度データセットを使用してきめ細かい視覚的品質を洗練する。
  論文  参考訳（メタデータ） (2025-12-22T04:21:39Z)
• Unified Camera Positional Encoding for Controlled Video Generation [48.5789182990001]
  トランスフォーマーは、3D知覚、ビデオ生成、自律運転のための世界モデル、そしてAIを具体化するための普遍的なバックボーンとして登場した。 本稿では、6-DoFポーズ、内在性、レンズ歪みを含む完全なカメラ情報を統一する幾何学一貫性表現であるRelative Rayを紹介する。 システム的なトレーニングと評価を容易にするため,広い範囲のカメラモーションとレンズタイプをカバーする大規模なビデオデータセットを構築した。
  論文  参考訳（メタデータ） (2025-12-08T07:34:01Z)
• DualCamCtrl: Dual-Branch Diffusion Model for Geometry-Aware Camera-Controlled Video Generation [51.66285725139235]
  カメラ制御ビデオ生成のための新しいエンドツーエンド拡散モデルであるDualCamCtrlを提案する。 本稿では、カメラ一貫性のあるRGBと深度シーケンスを相互に生成するデュアルブランチフレームワークを提案する。 DualCamCtrlは、より一貫したカメラ制御ビデオ生成を実現する。
  論文  参考訳（メタデータ） (2025-11-28T12:19:57Z)
• ReDirector: Creating Any-Length Video Retakes with Rotary Camera Encoding [60.574308105414026]
  ReDirectorは、動的にキャプチャされた可変長のカメラ制御ビデオ生成方法である。 ロータリーカメラを紹介します。 RoCE - RoPEとリテイクコンディショニングカメラを統合したカメラ。 提案手法は, 分布外カメラトラジェクトリとビデオ長を一般化し, 動的物体の局所化と静的背景保存を改善した。
  論文  参考訳（メタデータ） (2025-11-25T01:38:56Z)
• CamPVG: Camera-Controlled Panoramic Video Generation with Epipolar-Aware Diffusion [31.032317079295762]
  CamPVGは、正確なカメラポーズによってガイドされるパノラマビデオ生成のための初めての拡散ベースのフレームワークである。 球面投影に基づくパノラマ画像とクロスビュー特徴集計のためのカメラ位置符号化を実現する。 提案手法は,パノラマ映像生成における既存の手法をはるかに超え,カメラトラジェクトリーと整合した高品質なパノラマ映像を生成する。
  論文  参考訳（メタデータ） (2025-09-24T10:34:24Z)
• IDCNet: Guided Video Diffusion for Metric-Consistent RGBD Scene Generation with Precise Camera Control [11.830304371371968]
  IDC-Netは、明示的なカメラ軌道制御の下でRGB-Dビデオシーケンスを生成するために設計された新しいフレームワークである。 IDC-Netは、生成したシーンシーケンスの視覚的品質と幾何学的整合性の両方において、最先端のアプローチよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2025-08-06T07:19:16Z)

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。