論文の概要: CinemaTraj: Composing Atomic Camera Trajectories for 3D Scenes with LLM Agents

• arxiv url: http://arxiv.org/abs/2607.26910v1
• Date: Wed, 29 Jul 2026 13:41:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.692188
• Title: CinemaTraj: Composing Atomic Camera Trajectories for 3D Scenes with LLM Agents
• Title（参考訳）: CinemaTraj:LLMエージェントを用いた3Dシーンのための原子カメラ軌道作成
• Abstract要約: CinemaTrajは、カメラの軌道計画を言語による空間的推論問題として再構成するフレームワークである。 高速で、無衝突で、高い撮影品質の軌道を発生させる。
• 参考スコア（独自算出の注目度）: 14.879115975370842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatically generating cinematically expressive camera trajectories through 3D scenes from natural language descriptions is a challenging task of high practical value, with applications ranging from real-estate advertising to virtual tour creation. Existing methods either lack true 3D spatial awareness by relying on 2D image priors, or treat trajectory generation as a geometric path planning problem divorced from cinematographic semantics. We present CinemaTraj, a framework that reframes camera trajectory planning as a language-grounded spatial reasoning problem. Given a set of RGB-D images and a user prompt, CinemaTraj equips an LLM agent with a structured 3D scene graph: the agent decomposes the prompt into a sequence of atomic cinematographic movements (dolly, orbit, crane, pan, tilt, zoom, arc). Each movement is instantiated via a novel parametric trajectory representation that is both cinematographically expressive and optimizable for collision avoidance. The scene graph acts as a structured spatial prior, grounding the agent's reasoning in accurate geometric and semantic knowledge of the environment. CinemaTraj further generates synchronized voiceover and subtitles aligned with camera motion, producing narrated cinematic video outputs. We evaluate CinemaTraj on real-world ScanNet++ environments, and show that it produces prompt-faithful, collision-free trajectories with high cinematographic quality, outperforming existing approaches on prompt alignment, trajectory quality, and safety metrics.
• Abstract（参考訳）: 自然言語記述から映像表現型カメラを3Dシーンで自動生成することは、不動産広告から仮想ツアー作成まで、高い実用価値の課題である。 既存の手法は、2D画像の先行性に依存することによって、真の3D空間認識を欠いているか、あるいは、撮影意味論から逸脱した幾何学的経路計画問題として軌跡生成を扱うかのいずれかである。 我々は,CinemaTrajという,カメラ軌道計画を言語的空間推論問題として再構成するフレームワークを提案する。 RGB-D画像のセットとユーザプロンプトが与えられ、CinemaTrajはLLMエージェントに構造化された3Dシーングラフを装備する:エージェントはプロンプトを原子撮影の一連の動き(ドル、軌道、クレーン、パン、傾き、ズーム、アーク)に分解する。 各運動は、撮影的に表現され、衝突回避のために最適化される新しいパラメトリック軌跡表現によってインスタンス化される。 シーングラフは、環境の正確な幾何学的および意味的な知識においてエージェントの推論を根拠として、構造化された空間的先行として機能する。 CinemaTrajはさらに、カメラモーションに沿った同期音声オーバとサブタイトルを生成し、ナレーション付き映像出力を生成する。 我々は,実世界のScanNet++環境上でCinemaTrajを評価し,映像品質の高い高速で衝突のない軌道を生成できることを示す。

関連論文リスト

• Auteur: Language-Driven Cinematographic Framing for Human-Centric Video Generation [48.49793109378558]
  生成ビデオにおける言語駆動型人中心カメラフレーミングの手法であるAuteurを提案する。 Auteurは、人中心のシーンの撮影フレーミングを可能にする。
  論文  参考訳（メタデータ） (2026-06-01T08:41:01Z)
• SceMoS: Scene-Aware 3D Human Motion Synthesis by Planning with Geometry-Grounded Tokens [89.05195827071582]
  SceMoSはシーン対応モーション合成フレームワークである。 軽量な2Dキューを使用して、グローバルプランニングをローカル実行から切り離す。 SceMoSはTRUMANSベンチマークで最先端のモーションリアリズムと接触精度を達成する。
  論文  参考訳（メタデータ） (2026-02-24T02:09:12Z)
• CineScene: Implicit 3D as Effective Scene Representation for Cinematic Video Generation [65.03946626081036]
  映像生成に暗黙的な3D認識シーン表現を活用するフレームワークであるCineSceneを提案する。 CineSceneは、シーン一貫性のある映像生成において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-06T18:59:24Z)
• RoamScene3D: Immersive Text-to-3D Scene Generation via Adaptive Object-aware Roaming [79.81527946524098]
  RoamScene3Dはセマンティックガイダンスと空間生成のギャップを埋める新しいフレームワークである。 我々は、オブジェクト関係を符号化するシーングラフを構築するために、視覚言語モデル(VLM)を用いる。 静的な2Dプリミティブの制約を軽減するため、合成パノラマデータセットに微調整されたモーションインジェクトインペインティングモデルを導入する。
  論文  参考訳（メタデータ） (2026-01-27T10:10:55Z)
• HouseTour: A Virtual Real Estate A(I)gent [80.36635722117329]
  本研究では,空間認識型3次元カメラ軌道と自然言語要約生成手法であるHouseTourを紹介する。 提案手法は,カメラのポーズに制約された拡散過程によってスムーズな映像トラジェクトリを生成する。 我々は3Dガウススプラッティングを用いて最終映像を合成し、軌道に沿って新しいビューを描画する。
  論文  参考訳（メタデータ） (2025-10-20T19:47:35Z)
• CineMaster: A 3D-Aware and Controllable Framework for Cinematic Text-to-Video Generation [76.72787726497343]
  CineMasterは3D認識と制御可能なテキスト・ビデオ生成のためのフレームワークである。 私たちのゴールは、プロの映画監督と同等のコントロール性を持つユーザーを力づけることです。
  論文  参考訳（メタデータ） (2025-02-12T18:55:36Z)
• Cinematic Behavior Transfer via NeRF-based Differentiable Filming [63.1622492808519]
  既存のSLAM手法は動的シーンの制限に直面し、人間のポーズ推定はしばしば2次元投影に焦点を当てる。 まず,逆撮影行動推定手法を提案する。 次に,新しい2Dビデオや3D仮想環境に様々な撮影タイプを転送できる映像転送パイプラインを導入する。
  論文  参考訳（メタデータ） (2023-11-29T15:56:58Z)
• Automatic Camera Trajectory Control with Enhanced Immersion for Virtual Cinematography [23.070207691087827]
  実世界のシネマトグラフィーのルールは、監督がカメラをアクターと包括的に同期させることで没入感を生み出すことができることを示している。 この戦略に触発されて,アクターとカメラの3面の同期を可能にするディープカメラ制御フレームワークを提案する。 提案手法は,高品質な没入型撮影映像を定量的かつ質的に生成する。
  論文  参考訳（メタデータ） (2023-03-29T22:02:15Z)

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。