論文の概要: A 3D Isovist World Model -- Revealing a City's Unseen Geometry and Its Emergent Cross-City Signature

• arxiv url: http://arxiv.org/abs/2606.03609v2
• Date: Wed, 03 Jun 2026 07:29:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 17:40:41.635071
• Title: A 3D Isovist World Model -- Revealing a City's Unseen Geometry and Its Emergent Cross-City Signature
• Title（参考訳）: 3次元アイソビスト世界モデル -都市の見えざる幾何学とその創発的都市横断符号-
• Authors: Xuhui Lin, Stephen Law, Nanjiang Chen, Kunyao Li, Tao Yang,
• Abstract要約: 都市を航行するエージェントは、周囲がどう変化するかを予測する世界モデルに頼っている。 我々は,過去のアイソビストと運動行動の短い歴史から,次のアイソビストを予測する具体的世界モデルを導入する。 マンハッタンとパリで訓練された1つの都市ブラインドモデルは、都市横断的な空間的シグネチャを発達させる。
• 参考スコア（独自算出の注目度）: 3.2214289760227377
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Embodied agents that navigate cities rely on world models that predict how their surroundings will change as they move. But for navigation, what matters is not what the buildings look like; it is where the agent can go. Most world models nonetheless predict appearance, learning how a scene looks rather than the space an agent can move through. Those that do target geometry, such as bird's-eye-view occupancy grids, flatten the three-dimensional environment onto a ground plane, discarding the above-ground and multi-level structure that shapes real navigation. What is missing is a predictive target that captures the navigable geometry an agent actually traverses, without photometric entanglement and without collapsing the third dimension. Our key idea is to model the open volume between buildings, the negative space, encoded as a 3D isovist: a spherical visibility-depth map recording the distance to the nearest surface in every direction. We introduce an embodied world model that predicts the next isovist from a short history of past isovists and a movement action. The prediction is formulated as a depth residual so the decoder inherits sharp building edges, trained with self-rollout scheduled sampling to keep corrupted context on the geometry manifold, and equipped with a persistent latent bird's-eye-view spatial map for cross-path consistency. Our central finding is emergent and unexpected: a single city-blind model trained on Manhattan and Paris develops a cross-city spatial signature, with city identity linearly decodable from its temporal latents far above single-frame baselines, so the signature lives in the learned dynamics rather than in appearance. The representation is lightweight, interpretable, and reproducible, offering a geometric substrate for spatial reasoning in embodied AI, robotics, and urban analysis, released with an open dataset and pipeline.
• Abstract（参考訳）: 都市を航行するエージェントは、周囲がどう変化するかを予測する世界モデルに頼っている。 しかしナビゲーションにとって重要なのは、建物がどのように見えるかではなく、エージェントがどこに行くかだ。 ほとんどの世界モデルは外見を予測し、エージェントが移動できる空間よりも、シーンがどのように見えるかを学ぶ。 鳥の目視の占有格子のようなターゲットの幾何学的特徴は、三次元環境を平面に平らにし、実際の航法を形作る地上構造と多層構造を捨てる。 欠けているのは、エージェントが実際に横断する航法可能な幾何学を撮影する予測的ターゲットである。 私たちのキーとなるアイデアは、3Dアイソビストとしてエンコードされた建物間のオープンボリュームをモデル化することです。 我々は,過去のアイソビストと運動行動の短い歴史から,次のアイソビストを予測する具体的世界モデルを導入する。 予測は奥行き残差として定式化され、デコーダは鋭い建物縁を継承し、自転予定サンプリングでトレーニングされ、幾何学多様体上の破損したコンテキストを維持する。 マンハッタンとパリで訓練された1つの都市ブラインドモデルは、都市間の空間的シグネチャを発達させ、都市のアイデンティティは1フレームのベースラインよりもはるかに高い時間的遅延から線形にデオードできるので、そのシグネチャは外観よりも学習されたダイナミクスに生きています。 この表現は軽量で解釈可能で再現性があり、埋め込みAI、ロボティクス、都市分析における空間推論のための幾何学的基盤を提供し、オープンデータセットとパイプラインでリリースされている。

関連論文リスト

• SpatialFly: Geometry-Guided Representation Alignment for UAV Vision-and-Language Navigation in Urban Environments [49.966170814478915]
  UAV VLNのための幾何学誘導空間表現フレームワークを提案する。 明示的な3次元再構成を伴わないRGB観測において、SpatialFlyは幾何学誘導2次元表示アライメント機構を導入する。 実験結果から、SpatialFlyは現状のUAV VLNベースラインを目に見える環境と見えない環境の両方で一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-22T03:56:58Z)
• Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation [53.09168514034483]
  バイマン操作は3次元幾何学を推論し、動作中にどのように進化するかを予測し、滑らかで協調された動きを生成するポリシーを必要とする。 本稿では,事前学習した3次元幾何学的基礎モデルに基づいて,バイマン操作を直接構築するフレームワークを提案する。 我々の政策は、幾何学的認識の潜伏子、2次元意味的特徴、およびプロプレセプションを統一状態表現に融合させ、拡散モデルを用いて将来のアクションチャンクと、密度の高いポイントマップにデコードする未来の3次元潜伏子を共同で予測する。
  論文  参考訳（メタデータ） (2026-02-27T08:54:20Z)
• Controllable Generation of Large-Scale 3D Urban Layouts with Semantic and Structural Guidance [7.298148118365382]
  大規模3次元ベクトル都市レイアウト生成のための制御可能なフレームワークを提案する。 幾何学的特徴や意味的属性,エッジ重み,建物の高さをグラフに埋め込むことで,本手法は2次元レイアウトをリアルな3次元構造に拡張する。
  論文  参考訳（メタデータ） (2025-09-28T11:08:17Z)
• DualPM: Dual Posed-Canonical Point Maps for 3D Shape and Pose Reconstruction [67.13370009386635]
  そこで,Dual Point Map (DualPM)を導入し,同じ画像一点関連画素からオブジェクト上の3D位置へ,残りのポーズでオブジェクトの標準バージョンへ,一対の点マップを抽出する。 3次元再構成と3次元ポーズ推定はDualPMの予測に還元できることを示す。
  論文  参考訳（メタデータ） (2024-12-05T18:59:48Z)
• Urban Scene Diffusion through Semantic Occupancy Map [49.20779809250597]
  UrbanDiffusionは、Bird's-Eye View (BEV)マップに条件付き3次元拡散モデルである。 我々のモデルは,潜在空間内のシーンレベルの構造の分布を学習する。 実世界の運転データセットをトレーニングした後、我々のモデルは多様な都市シーンを生成することができる。
  論文  参考訳（メタデータ） (2024-03-18T11:54:35Z)
• ImpliCity: City Modeling from Satellite Images with Deep Implicit Occupancy Fields [20.00737387884824]
  ImpliCityは、3Dシーンを暗黙的かつ連続的な占有領域として表現し、ポイント・クラウドとステレオ・フォトの組込みによって駆動される。 画像解像度0.5$,$mのImpliCityは、$approx,$0.7$,$mの平均的な高さ誤差に達し、競合するメソッドを上回っている。
  論文  参考訳（メタデータ） (2022-01-24T21:40:16Z)

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。