論文の概要: CameraNoise: Enabling Faithful Camera Control in Video Diffusion through Geometry-Flow-Guided Noise Warping
- arxiv url: http://arxiv.org/abs/2605.30774v1
- Date: Fri, 29 May 2026 03:02:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.355363
- Title: CameraNoise: Enabling Faithful Camera Control in Video Diffusion through Geometry-Flow-Guided Noise Warping
- Title（参考訳）: カメラノイズ:ジオメトリー駆動型ノイズワープによるビデオ拡散における忠実なカメラ制御の実現
- Abstract要約: 数値カメラパラメータを直接拡散バックボーンに注入する既存の方法は、抽象座標と視覚的内容の間のギャップを埋めることがしばしば失敗する。
本稿では,カメラの動きを時間的コヒーレントな表現に符号化するフロー・ツー・ノイズ・ワープ手法であるCameraNoiseを提案する。
CameraNoiseを拡散プロセスに統合することで、我々のフレームワークは安定した高忠実度ビデオを提供する。
- 参考スコア（独自算出の注目度）: 81.58057192696843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precise camera pose control is critical for video diffusion, yet maintaining geometric consistency remains a challenge. Existing methods that directly inject numerical camera parameters into the diffusion backbone often fail to bridge the gap between abstract coordinates and visual content, leading to structural distortions. To address this issue, we propose CameraNoise, a flow-to-noise warping method that encodes camera motion into a temporally coherent stochastic representation. Unlike conventional conditioning, CameraNoise embeds camera poses directly into the noise space. This decouples motion from scene appearance while faithfully preserving trajectory dynamics. Specifically, we introduce a novel Geometry-guided Reprojection Flow and a noise warping algorithm, which jointly preserve the Gaussian prior of diffusion and ensure consistent noise propagation under camera transformations. By integrating CameraNoise into the diffusion process, our framework delivers stable, high-fidelity videos. Extensive experiments demonstrate that our approach significantly outperforms prior methods in both visual quality and trajectory faithfulness. The project page and code are available at: https://gulucaptain.github.io/CameraNoise/.
- Abstract（参考訳）: 精密カメラのポーズ制御はビデオ拡散に不可欠であるが、幾何的一貫性を維持することは依然として課題である。
数値カメラパラメータを直接拡散バックボーンに注入する既存の方法は、しばしば抽象座標と視覚的内容の間のギャップを埋めることに失敗し、構造的歪みをもたらす。
この問題に対処するために,カメラモーションを時間的コヒーレントな確率表現に符号化するフロー・ツー・ノイズ・ワープ手法であるCameraNoiseを提案する。
従来のコンディショニングとは異なり、CameraNoiseはノイズ空間に直接カメラのポーズを埋め込む。
これは、軌道力学を忠実に保存しながら、シーンの外観から動きを分離する。
具体的には、新しいジオメトリ誘導リジェクションフローとノイズワープアルゴリズムを導入し、ガウスの拡散前を共同で保存し、カメラ変換の下で一貫したノイズ伝搬を確保する。
CameraNoiseを拡散プロセスに統合することで、我々のフレームワークは安定した高忠実度ビデオを提供する。
広汎な実験により,本手法は視覚的品質とトラジェクティブ忠実度の両方において,先行手法を著しく上回っていることが示された。
プロジェクトページとコードは以下の通りである。
関連論文リスト
- Track the Noise, Move the World:3D-Grounded Motion-Consistent Noise for Controllable Video Generation [14.852131707037655]
オブジェクト軌跡とカメラ視点の同時制御を可能にする統合フレームワークUniCaMoを提案する。
UniCaMoは、潜伏するビデオフレームにまたがる3Dグラウンドのモーションコンシステントノイズスペースを共有できる。
標準的な制御可能なビデオ生成ベンチマークにおいて、映像品質とモーション制御性の両方を最新技術で実現している。
論文 参考訳（メタデータ） (2026-07-02T22:17:20Z) - GeoStream: Toward Precise Camera Controlled Streaming Video Generation [85.01823220801256]
既存のアプローチはカメラの動きを暗黙的に学習し、アウト・オブ・ディストリビューション・トラジェクトリの下で不正確な制御をもたらす。
厳密な幾何学的条件付けにより制御性が向上するが、既存の手法は非自己回帰的である。
自動回帰ストリーミングビデオ生成における高精度なメカニカルカメラ制御を実現するフレームワークであるGeoStreamを提案する。
論文 参考訳（メタデータ） (2026-06-13T07:18:04Z) - DeltaCam: Differential Intrinsic Camera Modeling for Video Generation [8.590252585822439]
ビデオ拡散フレームワークであるDeltaCamを導入し、絶対状態ではなく、カメラの動きと内在性の変化を相対的に変化させることにより、カメラの挙動をモデル化する。
我々は,この枠組みを実世界の映像に拡張する2つのメカニズムとして,実際の画像・メタデータペアの制御を精密な撮影マッチングのために微調整し,暗黙的なビデオ・ビデオ間通信のための非絡み合った埋め込みを抽出する。
論文 参考訳（メタデータ） (2026-05-24T21:39:54Z) - Infinite-Homography as Robust Conditioning for Camera-Controlled Video Generation [49.12018869332346]
InfCamは、高ポーズ忠実度でカメラ制御されたビデオ・ビデオ生成フレームワークである。
1)ビデオ拡散モデルの2次元潜在空間内で直接3次元カメラ回転を符号化する。
論文 参考訳（メタデータ） (2025-12-18T20:03:05Z) - DeblurSplat: SfM-free 3D Gaussian Splatting with Event Camera for Robust Deblurring [50.21760380168387]
DeSplat と呼ばれるイベントカメラによる3次元ガウス分割法を初めて提案する。
我々は高密度ステレオモジュール(DUSt3R)の事前訓練機能を利用して、ぼやけた画像から正確な初期点雲を直接取得する。
論文 参考訳（メタデータ） (2025-09-23T11:21:54Z) - Dynamic View Synthesis from Small Camera Motion Videos [56.359460602781304]
分布に基づく奥行き正規化に基づく動的3ドルDシーンのための新しいビュー合成を提案する。
また、光線に沿った物体境界がほぼゼロとなる前に空間点の体積密度を強制する制約を導入し、我々のモデルがシーンの正確な幾何学を学べるようにした。
我々は,小さなカメラモーション入力によるシーン表現におけるアプローチの有効性を実証するために,広範囲な実験を行い,その結果を最先端の手法と比較した。
論文 参考訳（メタデータ） (2025-06-29T09:17:55Z) - LightMotion: A Light and Tuning-free Method for Simulating Camera Motion in Video Generation [56.64004196498026]
LightMotionは、ビデオ生成におけるカメラモーションをシミュレートするための軽量かつチューニング不要な方法である。
潜在空間で操作すると、追加の微調整、塗装、深さ推定がなくなる。
論文 参考訳（メタデータ） (2025-03-09T08:28:40Z) - Go-with-the-Flow: Motion-Controllable Video Diffusion Models Using Real-Time Warped Noise [19.422355461775343]
我々は、構造化潜在雑音サンプリングによる動き制御を可能とし、映像拡散モデルを強化した。
本稿では,ランダムな時空間のガウス性と相関した雑音を置き換え,リアルタイムに動作可能な新しいノイズワープアルゴリズムを提案する。
提案アルゴリズムの効率性により,ワープノイズを最小限のオーバーヘッドで使用することで,最新の映像拡散ベースモデルを微調整することができる。
論文 参考訳（メタデータ） (2025-01-14T18:59:10Z) - Trajectory Approximation of Video Based on Phase Correlation for Forward
Facing Camera [0.0]
本稿では,GPSを用いた環境下でカメラセンサから軌跡を抽出する手法を提案する。
このシステムは、車両に搭載された前方カメラの映像を入力として撮影し、出力はカメラの軌道を表すチェーンコードである。
特に,本システムは空間的特徴に依存した従来の手法より優れ,ノイズの多い環境においてより高速で頑健であることを示す。
論文 参考訳（メタデータ） (2023-12-20T00:44:04Z) - ParticleSfM: Exploiting Dense Point Trajectories for Localizing Moving
Cameras in the Wild [57.37891682117178]
本稿では,一対の光流からの高密度対応に基づく動画の高密度間接構造抽出手法を提案する。
不規則点軌道データを処理するために,新しいニューラルネットワークアーキテクチャを提案する。
MPIシンテルデータセットを用いた実験により,我々のシステムはより正確なカメラ軌道を生成することがわかった。
論文 参考訳（メタデータ） (2022-07-19T09:19:45Z)
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。