論文の概要: Learning How the World Evolves: Extrapolative Video World Models via Latent Dynamics Reasoning

• arxiv url: http://arxiv.org/abs/2608.09926v1
• Date: Mon, 10 Aug 2026 17:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.427562
• Title: Learning How the World Evolves: Extrapolative Video World Models via Latent Dynamics Reasoning
• Title（参考訳）: 世界がどのように進化するかを学ぶ:潜時ダイナミクス推論による外挿的ビデオワールドモデル
• Abstract要約: 我々はLDR(Latent Dynamics Reasoning)を導入し、ピクセルから純粋にダイナミクスをキャプチャする。 LDRは潜在遷移を明示的なキネマティック積分として、低次のダイナミクスを数値的に積分する。 5つのタスクにまたがる制御されたホワイトボックス物理ベンチマークでLDRを検証する。 LDRは、学習したダイナミクスをビデオ拡散ベースラインよりもはるかによく外挿する。
• 参考スコア（独自算出の注目度）: 63.53004751187188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The world evolves following its dynamics, i.e., its laws of motion. However, leading video diffusion models largely fit the pixels without modeling how the pixels transit over time. Thus, they render visually plausible frames but may not accurately obey the laws. To capture the dynamics purely from pixels, we introduce Latent Dynamics Reasoning (LDR). LDR casts the latent transition as an explicit kinematic integration, where the lower-order dynamics are integrated numerically and the model regresses only the third- and higher-order residual that drives the rollout. For this integration to extrapolate better, LDR runs it on a structured latent rather than dense convolutional features. Following PhyWorld, we validate LDR on a controlled white-box physics benchmark spanning five tasks (uniform motion, parabola, collision, bouncing, looming), focusing on out-of-distribution scenarios that reveal whether a model has truly learned the underlying dynamics. LDR extrapolates the learned dynamics far better: the gap between its in- and out-of-distribution error is over 20$\times$ smaller than the video diffusion baseline's, under both single- and joint-task training at 256$^2$ resolution, while using 26$\times$ fewer parameters and running 143$\times$ faster. LDR can even generalize under severe shift: for example, trained only on red balls moving left-to-right, it correctly predicts the motion of a blue square moving right-to-left. To our knowledge, this is the first video world model that extrapolates learned dynamics beyond its training distribution. Project page: https://lat-dyn-reason.github.io/
• Abstract（参考訳）: 世界は、その力学、すなわち運動の法則に従って進化する。 しかし、主要なビデオ拡散モデルは、時間とともにどのように移動するかをモデル化することなく、主にピクセルに適合する。 したがって、それらは視覚的に可視なフレームを描画するが、正確には法則に従わないかもしれない。 そこで,LDR(Latent Dynamics Reasoning)を提案する。 LDRは、潜在遷移を明示的なキネマティックな積分として、下階ダイナミクスを数値的に積分し、モデルがロールアウトを駆動する3階残差と高階残差のみを回帰させる。 よりよく外挿するために、LDRは密集した畳み込みの特徴ではなく、構造化された潜水器で実行する。 PhyWorldの後、我々はLDRを5つのタスク(一様運動、パラボラ、衝突、跳ね返り、略奪)にまたがる制御されたホワイトボックスの物理ベンチマークで検証し、モデルが基礎となる力学を真に学習したかどうかを明らかにするアウト・オブ・ディストリビューションシナリオに焦点を当てた。 LDRは学習されたダイナミクスをはるかによく補足する: イン・オブ・オブ・ディストリビューションエラーのギャップはビデオ拡散ベースラインよりも20$\times$小さめで、256$^2$解像度でのシングル・アンド・ジョイント・タスクのトレーニングと、26$\times$少ないパラメータを使用し、143$\times$高速で実行する。 例えば、左から右に動く赤いボールだけを訓練すると、右から左に動く青い正方形の動きを正確に予測できる。 私たちの知る限り、これはトレーニング分布を超えたダイナミックな学習を外挿する初めてのビデオワールドモデルです。 プロジェクトページ: https://lat-dyn-reason.github.io/

関連論文リスト

• ShadowDancer: Teaching Video World Models Any Action by Learning Unified Dynamics Representations from a Video and Its Shadow [24.623235518370695]
  我々は、インタラクティブなビデオワールドモデルの任意のアクション、フレームレベル制御に対する新しいアプローチであるShadowDancerを提示する。 既存のインターフェイスはアクションを緩やかにエンコードし、モデルが即興的に展開する方法を残したり、構造化された信号を通じて正確にエンコードしたりする。 ShadowDancer氏はこれを,2つの重要なイノベーション – シャドウペア,独立して再サンプリングされた外観の下で同じダイナミクスを再生するビデオペア,シャドウ間の予測 – で対処する。
  論文  参考訳（メタデータ） (2026-07-30T15:28:43Z)
• Learning Visual Feature-Based World Models via Residual Latent Action [16.274418749277366]
  Residual Latent Action* (RLA) は、DINO残基から容易に学べる。 RLA World Model*(RLA-WM)は、シミュレーションと実世界のデータセットにおいて、最先端の機能ベースとビデオ拡散の世界モデルの両方を上回っている。
  論文  参考訳（メタデータ） (2026-05-08T00:58:16Z)
• Pri4R: Learning World Dynamics for Vision-Language-Action Models with Privileged 4D Representation [58.21084913574353]
  我々は,世界力学を暗黙的に理解したVLAモデルを実現するシンプルなアプローチであるPri4Rを紹介する。 Pri4Rは3Dトラックを予測する軽量なポイントトラックヘッドでVLAを強化している。 3Dポイントトラック予測は,アクションワールドダイナミクスを学習するための効果的な監視対象であることを示す。
  論文  参考訳（メタデータ） (2026-03-02T07:23:53Z)
• MAD: Motion Appearance Decoupling for efficient Driving World Models [94.40548866741791]
  本稿では,一般的な映像モデルを制御可能な運転世界モデルに変換する,効率的な適応フレームワークを提案する。 鍵となるアイデアは、外見合成からモーションラーニングを分離することである。 私たちのMAD-LTXモデルであるLTXへのスケーリングは、すべてのオープンソース競合より優れています。
  論文  参考訳（メタデータ） (2026-01-14T12:52:23Z)
• MoAlign: Motion-Centric Representation Alignment for Video Diffusion Models [50.162882483045045]
  本研究では、予め訓練されたビデオエンコーダから非交叉運動部分空間を学習する動き中心アライメントフレームワークを提案する。 この部分空間は、地表面の光学的流れを予測し、真の運動力学を捉えるよう最適化されている。 次に,テキスト間拡散モデルの潜在的特徴をこの新たなサブスペースに整合させ,生成モデルが動きの知識を内部化し,より高機能なビデオを生成することを可能にする。
  論文  参考訳（メタデータ） (2025-10-21T19:05:23Z)
• MindJourney: Test-Time Scaling with World Models for Spatial Reasoning [97.61985090279961]
  視覚言語モデルのためのテスト時間スケーリングフレームワークであるMindJourneyを提案する。 我々は,代表的空間推論ベンチマークSATにおいて,MindJourneyが平均7.7%以上の性能向上を達成したことを示す。 また,本手法は,強化学習により訓練した試験時間推定VLMも改善する。
  論文  参考訳（メタデータ） (2025-07-16T17:59:36Z)
• LongDWM: Cross-Granularity Distillation for Building a Long-Term Driving World Model [22.92353994818742]
  ドライビングワールドモデルは、現在の状態と行動の状態に基づいて、ビデオ生成によって未来をシミュレートするために使用される。 最近の研究は、ディフュージョントランスフォーマー(DiT)を駆動世界モデルのバックボーンとして利用し、学習の柔軟性を向上させる。 我々は、シンプルで効果的な長期運転世界モデルを構築するためのソリューションをいくつか提案する。
  論文  参考訳（メタデータ） (2025-06-02T11:19:23Z)
• Think Before You Diffuse: Infusing Physical Rules into Video Diffusion [55.046699347579455]
  実世界の動き、相互作用、ダイナミクスの複雑さは、データから物理を学ぶ際に大きな困難をもたらす。 DiffPhyは、トレーニング済みの動画拡散モデルを微調整することで、物理的に正確でリアルな映像生成を可能にする汎用的なフレームワークである。
  論文  参考訳（メタデータ） (2025-05-27T18:26:43Z)

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。