論文の概要: DriveWeaver: Point-Conditioned Video Inpainting for Controllable Vehicle Insertion in Autonomous Driving Simulation

• arxiv url: http://arxiv.org/abs/2606.31918v2
• Date: Thu, 02 Jul 2026 07:50:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 15:16:32.258651
• Title: DriveWeaver: Point-Conditioned Video Inpainting for Controllable Vehicle Insertion in Autonomous Driving Simulation
• Title（参考訳）: DriveWeaver: 自動走行シミュレーションにおける制御可能な車両挿入のためのポイントコンディション付きビデオインペインティング
• Authors: Junzhe Jiang, Zipei Ma, Zijie Pan, Li Zhang,
• Abstract要約: DriveWeaverは、自律運転シミュレーションにおける制御可能な車両挿入のための新しいフレームワークである。 我々は、時間的に一貫した車両を生成するために、車両点雲に条件付映像を塗布する。 本手法は,視覚リアリズムと幾何学的整合性において,既存のベースラインよりも優れる。
• 参考スコア（独自算出の注目度）: 9.201369685231532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A pivotal step in autonomous driving simulation involves inserting foreground vehicles with predefined trajectories into simulated scenes. This process enhances scene diversity and facilitates the creation of various corner cases for testing and improving autonomous driving models. However, existing methods often rely on pre-reconstructed 3D assets, which frequently lead to lighting inconsistencies between the inserted foreground and the background. Moreover, the reliance on limited, manually-curated 3D assets hinders large-scale deployment. To address these challenges, we propose DriveWeaver, a novel framework for controllable vehicle insertion in autonomous driving simulation. Specifically, for a masked target insertion area, DriveWeaver performs video inpainting conditioned on vehicle point clouds to generate high-quality, temporally consistent vehicles. This video-inpainting-based approach ensures seamless blending between the foreground and background, while the readily available point cloud conditions enable superior generalization. To support long-term generation, we further design a global-to-local hierarchical inpainting strategy, ensuring the consistent identity and appearance of the inserted vehicles. Meanwhile, we extract explicit 3D Gaussian representations of the inserted vehicles through an urban reconstruction pipeline to enable real-time rendering for autonomous driving simulation. Extensive experiments across diverse datasets demonstrate that our method outperforms existing baselines in visual realism and geometric consistency, providing a robust tool for scalable autonomous driving scene augmentation.
• Abstract（参考訳）: 自律運転シミュレーションにおける重要なステップは、事前に定義された軌道を持つ前景車両をシミュレートされたシーンに挿入することである。 このプロセスはシーンの多様性を高め、自律運転モデルのテストと改善のための様々なコーナーケースの作成を容易にする。 しかし、既存の手法は、しばしばプレコンストラクトされた3Dアセットに依存しており、挿入されたフォアグラウンドと背景の間の光の不整合につながることが多い。 さらに、手作業による限定的な3Dアセットへの依存は、大規模なデプロイメントを妨げる。 これらの課題に対処するために、自律運転シミュレーションにおける制御可能な車両挿入のための新しいフレームワークであるDriveWeaverを提案する。 具体的には、マスクされたターゲット挿入領域に対して、DriveWeaverは車点雲に塗布されたビデオ塗装を行い、高品質で時間的に一貫した車両を生成する。 このビデオインペインティングベースのアプローチは、フォアグラウンドとバックグラウンドのシームレスなブレンディングを保証し、容易に利用できるポイントクラウド条件は、より優れた一般化を可能にする。 長期化を支援するため,我々はさらにグローバル・ローカルな階層的塗装戦略を設計し,車両の同一性と外観の整合性を確保する。 一方,都市再建パイプラインを通して挿入車両の3次元ガウス表現を明示的に抽出し,自律走行シミュレーションのリアルタイムレンダリングを実現する。 多様なデータセットにわたる大規模な実験により、我々の手法は視覚リアリズムと幾何学的整合性において既存のベースラインよりも優れており、スケーラブルな自律走行シーン拡張のための堅牢なツールを提供する。

関連論文リスト

• FAR-Drive: Frame-AutoRegressive Video Generation in Closed-Loop Autonomous Driving [11.275815014211046]
  自律運転のための学習ベースのクローズドループシミュレータの構築は、3つの大きな課題を提起する。 長期の時間的・横断的な一貫性、反復的自己条件下での自己回帰劣化の緩和、低遅延推論制約を満たす。 自動運転のためのフレームレベル自動回帰ビデオ生成フレームワークであるFAR-Driveを提案する。
  論文  参考訳（メタデータ） (2026-03-16T07:40:13Z)
• HorizonForge: Driving Scene Editing with Any Trajectories and Any Vehicles [63.88996084630768]
  制御可能な運転シーン生成は、現実的でスケーラブルな自律運転シミュレーションに不可欠である。 シーンを編集可能なガウス版とメッシュとして再構築する統合フレームワークであるHorizonForgeを紹介した。 実験により、ガウス・メシュ表現は代替の3次元表現よりもかなり高い忠実性をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-02-24T20:03:47Z)
• InstaDrive: Instance-Aware Driving World Models for Realistic and Consistent Video Generation [53.47253633654885]
  InstaDriveは、2つの重要な進歩を通じてビデオリアリズムを促進する新しいフレームワークである。 これらのインスタンス認識機構を組み込むことで、InstaDriveは最先端のビデオ生成品質を実現する。 私たちのプロジェクトページはhttps://shanpoyang654.io/InstaDrive/page.htmlです。
  論文  参考訳（メタデータ） (2026-02-03T08:22:13Z)
• SymDrive: Realistic and Controllable Driving Simulator via Symmetric Auto-regressive Online Restoration [37.202523124756034]
  現在のアプローチは、しばしば大きな角度の新規ビュー合成に干渉し、資産操作中に幾何学的または照明的アーティファクトに悩まされる。 高品質なレンダリングとシーン編集が可能な統合拡散ベースのフレームワークであるSymDriveを提案する。 我々は,SymDriveが新規視認性向上とリアル3D車両挿入の両面において,光実写性能を実現することを実証した。
  論文  参考訳（メタデータ） (2025-12-25T10:28:43Z)
• GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
  実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。 車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。 動作精度と空間認識の両面で既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-28T14:46:51Z)
• Stag-1: Towards Realistic 4D Driving Simulation with Video Generation Model [83.31688383891871]
  本稿では,現実世界のシーンを再現するために,DrivinG(Stag-1)モデルのための空間-テンポラル・シミュレートを提案する。 Stag-1は、自動運転車のサラウンドビューデータを使用して、連続した4Dポイントのクラウドシーンを構築する。 空間的時間的関係を分離し、コヒーレントな運転ビデオを生成する。
  論文  参考訳（メタデータ） (2024-12-06T18:59:56Z)
• AutoSplat: Constrained Gaussian Splatting for Autonomous Driving Scene Reconstruction [17.600027937450342]
  AutoSplatは、自動走行シーンの高度に現実的な再構築を実現するために、ガウシアンスプラッティングを使用したフレームワークである。 本手法は,車線変更を含む課題シナリオの多視点一貫したシミュレーションを可能にする。
  論文  参考訳（メタデータ） (2024-07-02T18:36:50Z)
• CADSim: Robust and Scalable in-the-wild 3D Reconstruction for Controllable Sensor Simulation [44.83732884335725]
  センサシミュレーションでは、車などの交通参加者を高品質な外観と明瞭な幾何学でモデル化する。 現在の再構築アプローチは、その広さとノイズのために、Wildのセンサーデータに苦労している。 本稿では,車体形状を自動再構成するために,CADモデルの小さなセットと微分レンダリングを併用したCADSimを提案する。
  論文  参考訳（メタデータ） (2023-11-02T17:56:59Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)

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。