論文の概要: Walking in the Implicit: Interactive World Exploration via Neural Scene Representation
- arxiv url: http://arxiv.org/abs/2606.30045v1
- Date: Mon, 29 Jun 2026 09:37:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.167346
- Title: Walking in the Implicit: Interactive World Exploration via Neural Scene Representation
- Title（参考訳）: 暗黙の歩行:ニューラルシーン表現による対話的世界探索
- Abstract要約: シーン中心のパラダイムであるウォーキング・イン・ザ・インプリシット(Walking in the Implicit)を提案する。
我々は、このパラダイムをNeuWorldとしてインスタンス化する: トランスフォーマーVAEは、スパースポーズフレームから局所的に固定されたNISを学習する。
VAEエンコーダを統一コンディショナーとして再利用することで、NeuWorldはカメラ、参照イメージ、履歴のキューを同じNISモダリティにマップする。
- 参考スコア（独自算出の注目度）: 18.76731897279849
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Interactive video generation systems for camera-controlled world exploration roll out growing sequences of latent video frames, entangling state transition with high-frequency observation synthesis. We propose Walking in the Implicit, a scene-centric paradigm that changes the rollout variable from frame latents to a fixed-length, renderable implicit state, termed Neural Implicit Scene (NIS). This factorizes interactive generation into stochastic transition of a compact scene state and deterministic pose-conditioned rendering given the sampled state. We instantiate this paradigm as NeuWorld: a transformer VAE learns locally anchored NIS from sparse posed frames, and a diffusion transformer evolves NIS conditioned on future camera trajectories and geometry-aware retrieved history. By reusing the VAE encoder as a unified conditioner, NeuWorld maps camera, reference-image, and history cues into the same NIS modality, avoiding external heterogeneous encoders. Trained from scratch on public posed-view data without pretrained video backbones or auxiliary 3D reconstructors, NeuWorld achieves strong long-horizon consistency with favorable inference efficiency.
- Abstract（参考訳）: カメラ制御された世界探査のための対話型ビデオ生成システムは、遅延ビデオフレームの増大シーケンスをロールアウトし、高周波光合成による状態遷移をエンタングリングする。
本稿では,シーン中心のパラダイムであるウォーキング・イン・ザ・インプリシット(Walking in the Implicit)を提案する。
これにより、対話的な生成をコンパクトなシーン状態の確率的遷移と、サンプル状態が与えられた決定論的ポーズ条件付きレンダリングに分解する。
我々は、このパラダイムをNeuWorldとしてインスタンス化する: トランスフォーマーVAEは、スパースフレームから局所的に固定されたNISを学習し、拡散トランスフォーマーは、将来のカメラ軌跡と幾何認識された履歴に基づいて、NISを進化させる。
VAEエンコーダを統一コンディショナーとして再利用することで、NeuWorldはカメラ、参照イメージ、履歴のキューを同じNISモダリティにマッピングし、外部の異種エンコーダを避ける。
事前訓練されたビデオバックボーンや補助的な3Dコンストラクタを使わずに、パブリックなポストビューデータをスクラッチからトレーニングすることで、NeuWorldは推論効率を向上し、強力なロングホライゾン一貫性を実現する。
関連論文リスト
- DiVA: Enabling Interactive Digital Life Simulation via Video Models [107.640138694388]
DiVAは、長期的かつオープンなインタラクティブ体験のための新しいパラダイムを開拓した、インタラクティブなデジタルライフシミュレータである。
長期的な視覚的品質とリアリズムを維持し、持続的でインタラクティブなシミュレーションとしての有効性を検証する。
論文 参考訳（メタデータ） (2026-09-12T09:33:15Z) - MetaWorld: Scaling Multi-Agent Video World Model from Single-view Video Data [125.43597497646444]
MetaWorldは、マルチエージェントビデオワールドモデルをシングルビュービデオから直接オープンドメイン環境にスケールする新しいフレームワークである。
クロスビューの一貫性とアイデンティティの整合性を向上し、マルチエージェントビデオワールドモデリングのための高度にスケーラブルで物理駆動のパラダイムを確立する。
論文 参考訳（メタデータ） (2026-06-01T18:20:20Z) - RAYNOVA: Scale-Temporal Autoregressive World Modeling in Ray Space [51.441415833480505]
RAYNOVAは、二重因果自己回帰フレームワークを使用するシナリオを駆動するための多視点世界モデルである。
相対的なシャーカー線位置符号化に基づいて、ビュー、フレーム、スケールにまたがる等方的時間的表現を構築する。
論文 参考訳（メタデータ） (2026-02-24T08:41:40Z) - RecurGS: Interactive Scene Modeling via Discrete-State Recurrent Gaussian Fusion [21.761449995572757]
RecurGSは、離散ガウスのシーン状態を単一の進化的表現に統合する、再帰的な融合フレームワークである。
酸素化可視性融合モジュールは、安定領域を固定しつつ、新しく観察された領域を選択的に包含する。
当社のフレームワークは,更新効率を大幅に向上した高品質な再構築を実現する。
論文 参考訳（メタデータ） (2025-12-20T14:53:22Z) - DT-NVS: Diffusion Transformers for Novel View Synthesis [22.458328201080715]
一般化された新規ビュー合成のための3次元拡散モデルを提案する。
画像から3次元表現へ変換するトランスフォーマーと自己認識アーキテクチャに多大な貢献をする。
現状の3D認識拡散モデルと決定論的アプローチの改善を示す。
論文 参考訳（メタデータ） (2025-11-11T22:40:00Z) - ARSS: Taming Decoder-only Autoregressive Visual Generation for View Synthesis From Single View [11.346049532150127]
textbfARSSは、カメラの軌跡に条件付けされた単一の画像から新しいビューを生成するフレームワークである。
本手法は,拡散モデルに基づく最先端のビュー合成手法に比較可能か,あるいはそれ以上に機能する。
論文 参考訳（メタデータ） (2025-09-27T00:03:09Z) - 4D Driving Scene Generation With Stereo Forcing [62.47705572424127]
現在の生成モデルは、時間外挿と空間的新規ビュー合成(NVS)をシーンごとの最適化なしで同時にサポートする動的4D駆動シーンの合成に苦慮している。
PhiGenesisは、幾何学的・時間的整合性を持った映像生成技術を拡張する4次元シーン生成のための統合フレームワークである。
論文 参考訳（メタデータ） (2025-09-24T15:37:17Z) - A Unified Framework for Event-based Frame Interpolation with Ad-hoc Deblurring in the Wild [72.0226493284814]
本稿では,デブロリングアドホックを行うイベントベースフレームの統一フレームワークを提案する。
我々のネットワークは、フレーム上の従来の最先端の手法、単一画像のデブロアリング、および両者のジョイントタスクを一貫して上回ります。
論文 参考訳（メタデータ） (2023-01-12T18:19:00Z) - Video Frame Interpolation with Transformer [55.12620857638253]
本稿では,ビデオフレーム間の長距離画素相関をモデル化するためにTransformerを利用した新しいフレームワークを提案する。
我々のネットワークは、クロススケールウィンドウが相互に相互作用する新しいウィンドウベースのアテンション機構を備えている。
論文 参考訳（メタデータ） (2022-05-15T09:30:28Z)
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。