論文の概要: DisCo: World Models with Discrete Camera Motion Control

• arxiv url: http://arxiv.org/abs/2606.07967v1
• Date: Sat, 06 Jun 2026 03:50:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.589473
• Title: DisCo: World Models with Discrete Camera Motion Control
• Title（参考訳）: DisCo:離散カメラモーション制御による世界モデル
• Authors: Hongrui Huang, Junke Wang, Quanhao Li, Yu-Gang Jiang, Zuxuan Wu,
• Abstract要約: 本研究では、離散アクションプリミティブのコンパクトなセットで生成し、アクション分離性を改善する制御可能なビデオワールドモデルであるDisCoを提案する。 DisCoは、視覚的品質を維持しながら、はるかに信頼性の高いアクションを達成する。
• 参考スコア（独自算出の注目度）: 79.86256515640231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Controllable video world models target interactive world exploration, where models must faithfully execute explicit action commands while preserving visual quality and temporal coherence. However, most existing approaches rely on continuous camera trajectories as action conditions, which often lead to unreliable action following, especially under complex motion sequences. In this work, we identify action representation entanglement as a key bottleneck in controllable video generation, and show that continuous camera representations lead to high feature similarity across distinct motion patterns, degrading action controllability. Based on this insight, we propose DisCo, a controllable video world model that conditions generation on a compact set of discrete action primitives to improve action separability. We further introduce DisCoBench, a comprehensive benchmark for evaluating the ability of models in short-term, long-horizon, and highly dynamic exploration scenarios. Extensive experiments demonstrate that DisCo achieves significantly more reliable action following while preserving visual quality.
• Abstract（参考訳）: 制御可能なビデオワールドモデルは、インタラクティブな世界探索をターゲットとし、モデルは視覚的品質と時間的コヒーレンスを維持しながら、明示的なアクションコマンドを忠実に実行する必要がある。 しかし、既存のほとんどのアプローチは、アクション条件として連続カメラの軌跡に依存しており、特に複雑なモーションシーケンスの下では、しばしば信頼性の低い動作に繋がる。 本研究では、制御可能なビデオ生成において、アクション表現の絡み合いが重要なボトルネックであると認識し、連続カメラ表現が、異なる動作パターン間で高い特徴的類似性をもたらし、動作制御性を低下させることを示す。 この知見に基づき、離散アクションプリミティブのコンパクトなセットに条件付きで生成し、アクション分離性を改善する制御可能なビデオワールドモデルであるDisCoを提案する。 さらに、DisCoBenchは、短期的、長期的、そして非常にダイナミックな探索シナリオにおけるモデルの能力を評価するための包括的なベンチマークである。 大規模な実験では、DisCoは視覚的品質を維持しながら、はるかに信頼性の高いアクションを達成している。

関連論文リスト

• ActionParty: Multi-Subject Action Binding in Generative Video Games [117.52562594944679]
  ActionPartyは、ゲーム生成のための制御可能な多目的世界モデルである。 46の多様な環境において最大7人のプレイヤーを同時に制御できる最初のビデオワールドモデルを実証する。
  論文  参考訳（メタデータ） (2026-04-02T17:59:58Z)
• Olaf-World: Orienting Latent Actions for Video World Modeling [100.96069208914957]
  アクションコントロール可能な世界モデルのスケーリングは、アクションラベルの不足によって制限される。 大規模受動的ビデオから行動条件付きビデオワールドモデルを事前訓練するパイプラインであるOraf-Worldを紹介する。
  論文  参考訳（メタデータ） (2026-02-10T18:58:41Z)
• Astra: General Interactive World Model with Autoregressive Denoising [73.6594791733982]
  Astraはインタラクティブな汎用世界モデルであり、多様なシナリオのために現実世界の未来を生成する。 本稿では,自己回帰型認知型アーキテクチャを提案し,時間的因果的注意を用いて過去の観測を集約する。 Astraはインタラクティブで一貫性があり、一般的な長期的なビデオ予測を実現し、様々な形式のインタラクションをサポートする。
  論文  参考訳（メタデータ） (2025-12-09T18:59:57Z)
• Observe Then Act: Asynchronous Active Vision-Action Model for Robotic Manipulation [19.17977467107072]
  本モデルでは,カメラのNext-Best-View(NBV)ポリシーとグリップのNext-Best Pose(NBP)ポリシーを直列接続し,数発の強化学習を用いてセンサ・モーター協調フレームワークでトレーニングする。 このアプローチにより、エージェントは3人称カメラを調整し、タスクゴールに基づいて環境を積極的に観察し、その後に適切な操作行動を推測することができる。 その結果,操作タスクにおける視覚的制約処理の有効性を示すとともに,ベースラインアルゴリズムを一貫して上回る結果が得られた。
  論文  参考訳（メタデータ） (2024-09-23T10:38:20Z)
• TrackDiffusion: Tracklet-Conditioned Video Generation via Diffusion Models [75.20168902300166]
  微粒な軌跡条件の運動制御が可能な新しい映像生成フレームワークであるTrackDiffusionを提案する。 TrackDiffusionの重要なコンポーネントは、複数のオブジェクトのフレーム間の一貫性を明確に保証するインスタンスエンハンサーである。 TrackDiffusionによって生成されたビデオシーケンスは、視覚知覚モデルのトレーニングデータとして使用できる。
  論文  参考訳（メタデータ） (2023-12-01T15:24:38Z)

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。