論文の概要: V2XCrafter: Learning to Generate Driving Scene Across Agents

• arxiv url: http://arxiv.org/abs/2605.29471v1
• Date: Thu, 28 May 2026 07:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.878148
• Title: V2XCrafter: Learning to Generate Driving Scene Across Agents
• Title（参考訳）: V2XCrafter: エージェント間のシーン生成を学習する
• Authors: Yihang Tao, Yu Guo, Senkang Hu, Yanan Ma, Zihan Fang, Sam Kwong, Yuguang Fang,
• Abstract要約: 協調運転システムは、運転安全性を高めるために、車両間通信(V2X)を利用して協調認識を行う。 エージェントのカメラビューにまたがって制御可能で現実的な協調運転シーンを生成するための最初のフレームワークであるV2XCrafterを提案する。 実験により,V2XCrafterはエージェント間の整合性を持った高忠実かつ制御可能なストリートビューを生成できることがわかった。
• 参考スコア（独自算出の注目度）: 52.22336670088219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative driving systems leverage vehicle-to-everything (V2X) communication for multi-agent collaborative perception to enhance driving safety, yet they remain constrained by scarce annotated real-world V2X driving datasets and limited generalization across diverse driving conditions. While image generation technology offers a feasible solution for data augmentation, existing methods tailored for single-vehicle multi-view scenarios face two fundamental challenges in multi-agent driving settings: (1) the expansion of the learning objective degrades generation quality, and (2) the highly dynamic variations across agents hinder the modeling of consistency for physical attributes (e.g., color, category) in jointly observed objects. To bridge this gap, we propose V2XCrafter, the first framework for generating controllable and realistic collaborative driving scene across agents' camera views. For effective learning, we develop a progressive multi-agent diffusion model based on a single-agent backbone, using neighboring agents' latent states as reference signals to progressively guide the single-to-multi diffusion. To address cross-vehicle inconsistency, we propose a cross-agent attention module that leverages a collaboration view graph and learnable jointly observed object representation to model the dynamic cross-agent camera view relationships. Experiments have shown that V2XCrafter can generate high-fidelity and controllable street views with consistency across agents, thereby effectively enhancing the downstream collaborative 3D object detection tasks.
• Abstract（参考訳）: 協調運転システムは、複数エージェントの協調認識にV2X通信を活用して運転安全性を向上させるが、注釈付き現実のV2X運転データセットが不足し、様々な運転条件をまたいだ一般化が制限されているため、制約が保たれている。 画像生成技術は、データ拡張のための実現可能なソリューションを提供する一方で、単一車両のマルチビューシナリオに適した既存の手法は、(1)学習対象の拡大は生成品質を低下させ、(2)エージェント間の非常にダイナミックな変動は、共同観測対象における物理的属性(色、カテゴリ)の整合性のモデリングを妨げる。 このギャップを埋めるために、エージェントのカメラビュー間で制御可能で現実的な協調運転シーンを生成するための最初のフレームワークであるV2XCrafterを提案する。 効果的な学習のために,隣接するエージェントの潜伏状態を基準信号として,単一エージェントのバックボーンに基づくプログレッシブマルチエージェント拡散モデルを開発した。 車両間の不整合に対処するために、協調ビューグラフと学習可能な共同観測対象表現を活用して、動的クロスエージェントカメラビューリレーションをモデル化するクロスエージェントアテンションモジュールを提案する。 実験により,V2XCrafterはエージェント間の整合性を持った高忠実かつ制御可能なストリートビューを生成できることがわかった。

関連論文リスト

• Gamma-World: Generative Multi-Agent World Modeling Beyond Two Players [87.87842088508553]
  対話型シミュレーションのための生成的マルチエージェント世界モデルを提案する。 本モデルでは,映像の忠実度,アクション制御性,およびスロットベースおよび高密度アテンションベースライン上でのエージェント間整合性を改善する。
  論文  参考訳（メタデータ） (2026-05-27T17:59:31Z)
• Precise Action-to-Video Generation Through Visual Action Prompts [62.951609704196485]
  アクション駆動のビデオ生成は、精度と一般性のトレードオフに直面している。 エージェント中心のアクション信号は、クロスドメイン転送可能性のコストで精度を提供する。 私たちはアクションをドメインに依存しない表現として正確に視覚的なプロンプトに"レンダリング"します。
  論文  参考訳（メタデータ） (2025-08-18T17:12:28Z)
• Towards Intelligent Transportation with Pedestrians and Vehicles In-the-Loop: A Surveillance Video-Assisted Federated Digital Twin Framework [62.47416496137193]
  本稿では,歩行者や車いすによるITSを支援するための監視ビデオ支援型デジタルツイン(SV-FDT)フレームワークを提案する。 i)複数のソースからトラフィック監視ビデオを収集するエンドレイヤ、(ii)セマンティックセグメンテーションに基づく視覚理解、ツインエージェントベースのインタラクションモデリング、およびローカルデジタルツインシステム(LDTS)をローカルで作成するエッジレイヤ、(iii)異なるリージョンにわたるLDTSを統合してグローバルDTモデルをリアルタイムで構築するクラウドレイヤの3層で構成されている。
  論文  参考訳（メタデータ） (2025-03-06T07:36:06Z)
• V2X-VLM: End-to-End V2X Cooperative Autonomous Driving Through Large Vision-Language Models [13.716889927164383]
  自動車間協力(V2X)は、古典的な自動運転の認識限界を克服するための有望なパラダイムとして浮上している。 本稿では、視覚言語モデル(VLM)に基づく新しいエンドツーエンド(E2E)協調自動運転フレームワークであるV2X-VLMを紹介する。 V2X-VLMは、車両やインフラからの多視点カメラビューとテキストベースのシーン記述を統合し、運転環境のより包括的な理解を可能にする。
  論文  参考訳（メタデータ） (2024-08-17T16:42:13Z)
• Practical Collaborative Perception: A Framework for Asynchronous and Multi-Agent 3D Object Detection [9.967263440745432]
  咬合は、LiDARベースのオブジェクト検出方法において大きな課題である。 最先端のV2X手法は、中間協調手法を用いて性能帯域幅のトレードオフを解消する。 我々は,従来の方法よりも帯域幅と性能のトレードオフを向上する,シンプルで効果的な協調手法を考案した。
  論文  参考訳（メタデータ） (2023-07-04T03:49:42Z)
• HM-ViT: Hetero-modal Vehicle-to-Vehicle Cooperative perception with vision transformer [4.957079586254435]
  HM-ViTは、最初の統合マルチエージェントヘテロモーダル協調認識フレームワークである。 3Dオブジェクトを協調的に予測し、様々な数と種類のエージェントと高ダイナミックな車車間コラボレーション(V2V)を行う。
  論文  参考訳（メタデータ） (2023-04-20T20:09:59Z)
• CoBEVT: Cooperative Bird's Eye View Semantic Segmentation with Sparse Transformers [36.838065731893735]
  CoBEVTは、BEVマップ予測を協調的に生成できる最初の汎用マルチエージェント認識フレームワークである。 CoBEVTは協調的BEVセマンティックセグメンテーションのための最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-05T17:59:28Z)
• V2X-ViT: Vehicle-to-Everything Cooperative Perception with Vision Transformer [58.71845618090022]
  我々は、道路上のエージェント間で情報を融合するために、V2X-ViTという全体論的アテンションモデルを構築した。 V2X-ViTは異質なマルチエージェント自己アテンションとマルチスケールウィンドウ自己アテンションの交互層から構成される。 我々のアプローチを検証するために、我々は大規模なV2X知覚データセットを作成します。
  論文  参考訳（メタデータ） (2022-03-20T20:18:25Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)

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。