論文の概要: SGA: Plug&Play Geometric Verification for Educational Video Synthesis
- arxiv url: http://arxiv.org/abs/2607.18116v1
- Date: Mon, 20 Jul 2026 16:11:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.703278
- Title: SGA: Plug&Play Geometric Verification for Educational Video Synthesis
- Title（参考訳）: SGA:教育用ビデオ合成のためのプラグ&プレイ幾何学的検証
- Abstract要約: コード中心のアニメーションパイプラインのためのプラグイン・アンド・プレイモジュールであるSGA(Sybolic Geometric Agent)を提案する。
SGAは、シンボルシーングラフを抽出するために部分的な実行を行い、空間的衝突が検出されたときに対象の洗練を適用する。
空間整合性のための決定論的レンダリングフリープロキシであるManim Visual Quality Score (MVQS)についても紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent work leverages Large Language Models (LLMs) to generate executable code for pedagogical animations using libraries such as Manim. However, ensuring spatial correctness and visual legibility remains challenging, as existing frameworks emphasize pedagogical content while overlooking geometric occlusions. We propose the Symbolic Geometric Agent (SGA), a plug-and-play module for code-centric animation pipelines that intercepts LLM-generated code, performs partial execution to extract symbolic scene graphs, and applies targeted refinement when spatial conflicts are detected. We further introduce the Manim Visual Quality Score (MVQS), a deterministic rendering-free proxy for spatial integrity. Experiments on the MMMC-Code benchmark across four LLM backbones and two agentic pipelines show that SGA achieves a peak MVQS of 73.11 (Code2Video + GPT-5.1), corresponding to a 16.1% relative improvement over the raw baseline, and improves MVQS in 7 of 8 backbone x pipeline configurations.
- Abstract（参考訳）: 最近の研究は、LLM(Large Language Models)を活用して、Manimのようなライブラリを使って教育アニメーションの実行可能なコードを生成する。
しかし,空間的正当性や視覚的正当性を確保することは依然として困難であり,既存の枠組みでは幾何学的オクルージョンを見下ろしながら教育的内容を強調している。
本稿では,LLM生成したコードをインターセプトし,シンボルシーングラフを抽出するための部分的な実行を行い,空間的衝突を検出した場合に対象の洗練を施す,コード中心のアニメーションパイプライン用プラグイン・アンド・プレイモジュールであるSGAを提案する。
空間整合性のための決定論的レンダリングフリープロキシであるManim Visual Quality Score (MVQS)についても紹介する。
4つのLLMバックボーンと2つのエージェントパイプラインにわたるMMMC-Codeベンチマークの実験は、SGAが73.11のMVQS(Code2Video + GPT-5.1)を達成し、生のベースラインに対する16.1%の相対的な改善に対応し、8つのバックボーンxパイプライン構成のうち7つのMVQSを改善することを示した。
関連論文リスト
- Beyond Text Conditioning: A Systematic Study of MLLM-DiT Fusion for Video Generation [50.92925099642139]
拡散変換器(DiT)は高忠実度ビデオ生成において支配的なパラダイムとなっているが、ハイレベルなセマンティックプランニングを行う能力は依然として限られている。
MLLMが最初にセマンティック・ビジュアル・トークンを生成し、DiTが多層クロスアテンションを介してテキストとそれらのトークンに条件付きビデオを表示するハイブリッド・フレームワークであるBiVidGenを提案する。
論文 参考訳（メタデータ） (2026-08-14T07:40:41Z) - UniCoder: Unified Visual-to-Code Generation via Symbolic Rewards and Reference-Guided Code Optimization [22.627858794105066]
2つの新しいメカニズムを統合する統一RLフレームワークであるUniCoderを紹介する。
まず,生成されたコードを個別の視覚属性に解析するために,軽量な補助LCMを用いたtextbfSymbolic Attribute Alignmentを提案する。
第二に、局所最適化から逃れるために、低パフォーマンスなロールアウトグループに地上軌道を動的に注入する戦略である textbfReference-Guided Code Optimization を考案した。
論文 参考訳（メタデータ） (2026-06-30T14:29:48Z) - Eliciting Complex Spatial Reasoning in MLLMs through Wide-Baseline Matching [47.51089761663848]
マルチモーダル大言語モデル(MLLM)の空間的推論におけるワイドベースラインマッチングは困難なテストベッドである
ReasonMatch-Benchは, 室内, 屋外, オブジェクト中心のシナリオにまたがって, 視点変位と粒度の一致によって階層化されたベンチマークである。
大規模ビデオ3Dコーパスからワイドベースラインビューペアを自動的に抽出するスケーラブルなデータ生成パイプラインを構築した。
論文 参考訳（メタデータ） (2026-06-02T12:46:34Z) - GazeQwen: Lightweight Gaze-Conditioned LLM Modulation for Streaming Video Understanding [11.055155778097033]
現在のマルチモーダル大言語モデル(MLLM)は、視線情報をビデオ理解に効果的に利用できない。
本稿では,オープンソースのMLLMに隠れ状態変調による視認性を持たせるパラメータ効率のよい手法であるGazeQwenを紹介する。
論文 参考訳（メタデータ） (2026-03-26T19:03:49Z) - Learning Trajectory-Aware Multimodal Large Language Models for Video Reasoning Segmentation [55.743701532984126]
我々はTrajSegを提案する。TrajSegはマルチモーダル大規模言語モデル上に構築されたシンプルで統一されたフレームワークである。
本研究では,MLLMが接頭辞(テキスト・トゥ・トラジェクティブ)と接頭辞(テキスト・トゥ・テキスト)の指示を受理する双方向テキスト・トラジェクティブアライメントを提案する。
このようにして、MLLMは、ビデオの対応性の向上と、より知覚的なオブジェクトの軌跡の恩恵を受けることができる。
論文 参考訳（メタデータ） (2026-03-23T02:25:51Z) - OpusAnimation: Code-Based Dynamic Chart Generation [15.763453583321004]
我々は,動的チャート生成タスクにおけるMLLMの能力を評価する最初のベンチマークであるDCG-Benchを紹介する。
我々は、コードとビデオの評価の両方のために、命令コードとビデオのトリプレットとQAペアをカバーするアノテーションを備えた高品質なDCGデータセットDCG-8Kを構築した。
ベンチマークの結果,ビジュアル・ツー・チャート・タスクにおける既存のMLLMの欠点が明らかとなり,我々のモデルは3つのタスクで平均8.31%の性能向上を達成し,最高のオープンソースMLLMを上回った。
論文 参考訳（メタデータ） (2025-10-02T13:19:18Z) - RTLRepoCoder: Repository-Level RTL Code Completion through the Combination of Fine-Tuning and Retrieval Augmentation [6.428086269916113]
RTLRepoCoderは,レポジトリレベルのVerilogコード補完のために,特定の微調整および検索型拡張生成(RAG)を組み込んだ画期的なソリューションである。
提案手法は,GPT-4 および高度なドメイン固有 LLM の編集類似性および実行一致率を大幅に上回る,公開ベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2025-04-11T09:04:50Z) - Coarse Correspondences Boost Spatial-Temporal Reasoning in Multimodal Language Model [51.83436609094658]
本稿では,2次元画像を入力として,MLLMの時空間推論を強化する軽量な手法である粗対応を導入する。
本手法は,映像のフレーム間や異なる視点における主物体の対応性を特定するために,軽量な追跡モデルを用いている。
この単純なトレーニングフリーアプローチは、4つのベンチマークでGPT4-V/Oに一定の利得をもたらすことを実証する。
論文 参考訳（メタデータ） (2024-08-01T17:57:12Z) - SIGMA:Sinkhorn-Guided Masked Video Modeling [69.31715194419091]
SIGMA (Sinkhorn-guided Masked Video Modelling) は、新しいビデオ事前学習法である。
時空管の特徴を,限られた数の学習可能なクラスタに均等に分散する。
10個のデータセットによる実験結果から,より高性能で時間的,堅牢な映像表現を学習する上で,SIGMAの有効性が検証された。
論文 参考訳（メタデータ） (2024-07-22T08:04:09Z) - Enhancing Video-Language Representations with Structural Spatio-Temporal Alignment [130.15775113897553]
フィンスタは微細な構造的時間的アライメント学習法である。
既存の13の強化されたビデオ言語モデルも一貫して改善されている。
論文 参考訳（メタデータ） (2024-06-27T15:23:36Z) - PSALM: Pixelwise SegmentAtion with Large Multi-Modal Model [49.80313655590392]
PSALMは、セグメント化タスクの課題に対処するため、LMM(Large Multi-modal Model)の強力な拡張である。
マスクデコーダとよく設計された入力スキーマを組み込んで,さまざまなセグメンテーションタスクを処理する。
PSALMの柔軟な設計は、複数のデータセットとタスクのジョイントトレーニングをサポートし、パフォーマンスとタスクの一般化を改善している。
論文 参考訳（メタデータ） (2024-03-21T17:50:47Z)
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。