論文の概要: ODEWorld: A Continuous Predictive Architecture via Physical-Time Flow

• arxiv url: http://arxiv.org/abs/2607.27924v1
• Date: Thu, 30 Jul 2026 09:37:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.489423
• Title: ODEWorld: A Continuous Predictive Architecture via Physical-Time Flow
• Title（参考訳）: ODEWorld:物理時間フローによる継続的予測アーキテクチャ
• Abstract要約: 物理時間で連続的な潜伏速度場を学習する新しい手法である物理時流(textbfPT-Flow)を導入する。 PT-Flowでは、圧縮された潜在空間におけるODEソルバを介して、未来の予測を時間積分として再キャストすることができる。 textbfODEWorldは,効率的かつ多目的な連続潜時世界モデルである。
• 参考スコア（独自算出の注目度）: 26.147123396344128
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the physical world we inhabit, space and time are fundamentally continuous. However, existing machine learning paradigms for world modeling are largely confined to discrete-time prediction, thereby exhibiting significant inefficiency in capturing the dynamics of physical world. We introduce Physical-Time Flow (\textbf{PT-Flow}), a novel approach that learns a continuous latent velocity field operating in physical time. Crucially, the underlying dynamics of sequential data are parameterized by an ordinary differential equation (ODE) embedded in a well-structured representation space. Under this paradigm, the prediction of future can be recast as temporal integration via an ODE solver in the compressed latent space. Building upon PT-Flow, we construct \textbf{ODEWorld}, a continuous-time latent world model that is both efficient and versatile. By extracting time-variant features and enforcing ODE properties on both the dynamical representation space and the latent velocity field, ODEWorld effectively addresses the long-standing representation collapse issue in latent world model literature. This also enables high-quality image reconstruction even after long-horizon prediction. Moreover, its continuous nature allows for arbitrary temporal resolution and even backward prediction, which is impossible for most discrete-time models. Lastly, ODEWorld can provide rich planning-oriented information to facilitate downstream policy learning. Comprehensive experiments demonstrate that ODEWorld successfully reconciles planning-conducive dynamics abstraction with visual realism, excelling in both video generation and robotic control. \href{https://dstate.github.io/odeworld_website/}{Project Website}.
• Abstract（参考訳）: 物理的な世界では、空間と時間は基本的に連続している。 しかし、既存の世界モデリングのための機械学習パラダイムは、主に離散時間予測に限られており、物理的世界のダイナミクスを捉えるのにかなりの非効率性を示す。 物理時間で連続的な潜伏速度場を学習する新しい手法である物理時流(\textbf{PT-Flow})を導入する。 重要なことに、シーケンシャルデータの基盤となるダイナミクスは、よく構造化された表現空間に埋め込まれた常微分方程式(ODE)によってパラメータ化される。 このパラダイムの下では、未来の予測は、圧縮された潜在空間におけるODEソルバを介して時間積分として再キャストすることができる。 PT-Flow 上に構築した PT-Flow は,効率的かつ汎用性の高い連続潜時世界モデルである。 時変特性を抽出し,動的表現空間と潜時速度場の両方でODE特性を強制することにより,ODEWorldは潜時世界モデル文学における長年の表現崩壊問題に効果的に対処する。 これにより、長距離予測後も高品質な画像再構成が可能となる。 さらに、その連続的な性質は任意の時間分解と、ほとんどの離散時間モデルでは不可能な後方予測を可能にしている。 最後に、ODEWorldは、下流のポリシー学習を容易にするために、リッチな計画指向の情報を提供することができます。 包括的実験により、ODEWorldは、計画的・導出的ダイナミクスの抽象化を視覚的リアリズムと整合させ、ビデオ生成とロボット制御の両方に優れることを示した。 https://dstate.github.io/odeworld_website/}{Project Website}

関連論文リスト

• Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
  Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。 表現の崩壊を防ぎ、アクション整列表現を誘導する。 コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
  論文  参考訳（メタデータ） (2026-06-18T11:25:16Z)
• X-Foresight: A Joint Vision-Action Causal Forecasting Network via Predictive World Modeling [47.54820149491433]
  我々は,ビジョン・ランゲージ・アクション・アーキテクチャに直接統合された予測的世界モデルであるX-Foresightを紹介する。 隣接するフレームではなく意味的に離れたチャンクを予測することで、X-Foresightは自明な外挿を逃れる。 総合的な実験により、X-Foresightは計画性能においてVLAベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-24T06:37:04Z)
• 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)
• ResWorld: Temporal Residual World Model for End-to-End Autonomous Driving [40.28153843744977]
  動的オブジェクトモデリングに焦点を当てた時間的残留世界モデル(TR-World)を提案する。 シーン表現の時間的残差を計算することにより、動的対象の情報を検出・追跡に頼ることなく抽出することができる。 また,FGTR(Future-Guided Trajectory Refinement)モジュールも提案する。
  論文  参考訳（メタデータ） (2026-02-11T14:12:26Z)
• Flow Equivariant World Models: Memory for Partially Observed Dynamic Environments [54.23746358078753]
  身体系は「流れのシンフォニー」として世界を経験する ほとんどのニューラルネットワークの世界モデルは、この構造を無視し、データから同じ変換を繰り返し再学習します。 自己運動と外部物体の動きを1パラメータのリー群「フロー」として統一するフレームワーク「フロー同変世界モデル」を紹介する。
  論文  参考訳（メタデータ） (2026-01-03T05:22:27Z)
• TeleWorld: Towards Dynamic Multimodal Synthesis with a 4D World Model [53.555353366322464]
  我々は,映像生成,動的シーン再構成,長期記憶をクローズドループシステム内で統合するリアルタイム多モード4DワールドモデリングフレームワークTeleWorldを提案する。 提案手法は,動的オブジェクトモデリングと静的シーン表現のシームレスな統合を実現し,現実的でインタラクティブで計算可能な合成システムに向けて世界モデルを推し進める。
  論文  参考訳（メタデータ） (2025-12-31T18:31:46Z)
• SAMPO:Scale-wise Autoregression with Motion PrOmpt for generative world models [42.814012901180774]
  textbfSAMPOは、フレーム内生成のための視覚的自己回帰モデリングと、次のフレーム生成のための因果モデリングを組み合わせたハイブリッドフレームワークである。 動作条件付きビデオ予測とモデルベース制御において,SAMPOが競合性能を発揮することを示す。 また、SAMPOのゼロショット一般化とスケーリング挙動を評価し、未知のタスクに一般化する能力を示す。
  論文  参考訳（メタデータ） (2025-09-19T02:41:37Z)
• OccTENS: 3D Occupancy World Model via Temporal Next-Scale Prediction [25.630452373274636]
  OccTENS (OccTENS) は、制御可能な、高忠実な長期の占有率生成を可能にする、世代的占有率の世界モデルである。 我々は、占領世界モデルを時間的次規模予測(TENS)タスクとして再構成する。 OccTENSは、高い占有率と高速な推論時間の両方で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2025-09-04T05:06:47Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)

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。