論文の概要: From Zero to Hero: Training-Free Custom Concept Spawning in World Models

• arxiv url: http://arxiv.org/abs/2606.02575v1
• Date: Mon, 01 Jun 2026 17:59:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.567282
• Title: From Zero to Hero: Training-Free Custom Concept Spawning in World Models
• Title（参考訳）: ゼロからヒーローへ:世界モデルのトレーニング不要のカスタムコンセプト
• Authors: Kiymet Akdemir, Pinar Yanardag,
• Abstract要約: SPAWN(Swapping Anchor with Windowed iNjection)は,概念生成のためのトレーニング不要な手法である。 我々はSPAWNが一貫した照明、スケール、視点と概念を統合しつつ、アイデンティティと時間的コヒーレンスを保っていることを示す。
• 参考スコア（独自算出の注目度）: 11.223537813710996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoregressive world models have emerged as a powerful paradigm for interactive video generation, allowing users to navigate dynamically generated environments through actions. These models are typically conditioned on a text prompt and/or a single reference frame, from which the entire world is generated. Yet the moment the user navigates beyond what is visible in that frame, the unseen regions are populated by the base model's priors, with no mechanism for the user to specify what should appear and where. This is a fundamental limitation for applications such as gaming, interactive storytelling, and simulation, where controllable scene composition is essential. We refer to this missing capability as concept spawning; introducing a user-specified visual concept into a world model, analogous to spawning in a game engine. We introduce SPAWN (Swapping Pinned Anchor with Windowed iNjection), a training-free method for concept spawning. SPAWN exploits a structural property of image-to-video backbones: the first slot of the context memory is pinned to the reference frame and acts as a foundational anchor for every generated chunk. By swapping this anchor with an external concept latent over a short injection window and letting the original anchor return, we cause the concept to propagate naturally through the rollout via the model's own memory. SPAWN supports concepts from fine-grained entities such as characters and props to large-scale elements such as buildings and landmarks, and accepts either a concept image or a text description as input. Experiments show that SPAWN integrates concepts with consistent lighting, scale, and perspective while preserving identity and temporal coherence, demonstrating that controllable concept spawning is achievable in existing autoregressive world models without any training.
• Abstract（参考訳）: 自動回帰世界モデルはインタラクティブなビデオ生成のための強力なパラダイムとして登場し、ユーザはアクションを通じて動的に生成された環境をナビゲートすることができる。 これらのモデルは典型的には、テキストプロンプトおよび/または単一の参照フレームに条件付けされ、そこから世界全体が生成される。 しかし、ユーザーがそのフレームで何が見えるかを超えてナビゲートする瞬間、目に見えない領域はベースモデルの先行値によって占有される。 これは、ゲーム、インタラクティブなストーリーテリング、シミュレーションのような、コントロール可能なシーン構成が不可欠であるアプリケーションの基本的な制限である。 我々は、この欠落した能力を概念創出と呼び、ゲームエンジンの発芽に類似した、ユーザ指定の視覚概念を世界モデルに導入する。 SPAWN(Swapping Pinned Anchor with Windowed iNjection)は,概念生成のためのトレーニング不要な手法である。 SPAWNは画像からビデオまでのバックボーンの構造的特性を利用しており、コンテキストメモリの最初のスロットは参照フレームに固定され、生成されたチャンクごとに基本アンカーとして機能する。 このアンカーを、短いインジェクションウィンドウ上に潜入した外部概念に置き換え、元のアンカーを返却することで、モデル自身のメモリを介してロールアウトを通じて自然にこの概念を伝播させる。 SPAWNは、文字や小道具のようなきめ細かい実体から建物やランドマークのような大規模な要素までの概念をサポートし、概念イメージまたはテキスト記述を入力として受け入れる。 実験により、SPAWNは、一貫した照明、スケール、視点を、アイデンティティと時間的コヒーレンスを維持しながら統合し、制御可能な概念の創出が、トレーニングなしで既存の自己回帰的世界モデルで達成可能であることを示す。

関連論文リスト

• The World is Your Canvas: Painting Promptable Events with Reference Images, Trajectories, and Text [101.66984085525105]
  Worldcanvasは、リッチでユーザ指向のシミュレーションを可能にする、プロンプト可能なワールドイベントのためのフレームワークである。 表現力のある世界イベント生成をサポートすることで、Worldcanvasは、受動的予測器からインタラクティブなユーザ形状のシミュレータまで、世界モデルを前進させる。
  論文  参考訳（メタデータ） (2025-12-18T18:59:59Z)
• Concepts in Motion: Temporal Bottlenecks for Interpretable Video Classification [10.376843346305112]
  MoTIFは、ビデオ分類のための概念ボトルネックフレームワークに適応するトランスフォーマーにインスパイアされたアーキテクチャ設計である。 我々のデザインは、ビデオ全体にわたるグローバルな概念の重要性、特定のウィンドウ内でのローカルな概念の関連性、時間の経過とともに概念の時間的依存という、3つの補完的な視点を可能にします。
  論文  参考訳（メタデータ） (2025-09-25T08:35:03Z)
• ICE: Intrinsic Concept Extraction from a Single Image via Diffusion Models [60.30998818833206]
  ICEは内在概念抽出(Intrinsic Concept extract)の略で、1つの画像から内在概念を抽出する新しいフレームワークである。 本フレームワークは、教師なしの方法で単一の画像から本質的な概念抽出を行う上で、優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-25T17:58:29Z)
• Create Your World: Lifelong Text-to-Image Diffusion [75.14353789007902]
  本稿では,過去の概念の「破滅的忘れ」を克服するために,ライフロングテキスト・画像拡散モデル(L2DM)を提案する。 我々のL2DMフレームワークは,知識の「破滅的忘れ」に関して,タスク対応メモリ拡張モジュールと弾性概念蒸留モジュールを考案している。 我々のモデルは、質的および定量的な指標の両方の観点から、連続的なテキストプロンプトの範囲にわたって、より忠実な画像を生成することができる。
  論文  参考訳（メタデータ） (2023-09-08T16:45:56Z)
• Neural Rendering of Humans in Novel View and Pose from Monocular Video [68.37767099240236]
  本稿では,新しい視点下で写真リアルな人間を生成し,モノクロ映像を入力として提示する新しい手法を提案する。 提案手法は,モノクラー映像を入力として,見知らぬポーズや新しい視点下での既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-04-04T03:09:20Z)
• Unsupervised Learning of Compositional Energy Concepts [70.11673173291426]
  本稿では,概念を別個のエネルギー関数として発見し,表現するCOMETを提案する。 Cometは、統一されたフレームワークの下でのオブジェクトだけでなく、グローバルな概念も表現します。
  論文  参考訳（メタデータ） (2021-11-04T17:46:12Z)

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。