論文の概要: StateFlow: Building, Evolving, and Accessing 3D World States for Previsualization

• arxiv url: http://arxiv.org/abs/2608.12314v1
• Date: Wed, 12 Aug 2026 17:58:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.667566
• Title: StateFlow: Building, Evolving, and Accessing 3D World States for Previsualization
• Title（参考訳）: StateFlow: 3次元世界国家の構築、発展、アクセス
• Abstract要約: 我々は、生成前ビジョン化のためのステート中心のフレームワークであるStateFlowを紹介する。 ワンショットでビデオを生成する代わりに、StateFlowは編集可能な3Dワールドを使用してシーン構造、進化、カメラを整理する。 実験によると、StateFlowはビデオ制作やゲームライクなプロトタイピングのために高品質な3Dワールドを生産している。
• 参考スコア（独自算出の注目度）: 86.21950969100901
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Previsualization is an intermediate layer between ideas and production in film, games, architecture, and urban design. It lets creators iteratively refine scenes, actions, cameras, and spatial-temporal dynamics. Yet existing generative methods rely on simple prompts to jointly control all of these factors through one-shot image or video synthesis, offering weak controllability and limited support for iterative editing. Fundamentally, a world comprises multiple elements with geometry, appearance, and other attributes, together with cameras. Different frames are produced through local modifications or recombinations of this shared state, which is otherwise largely reused. Therefore, we argue that the missing component is an explicit and persistent working state. To address this, we present StateFlow, a state-centric framework for generative previsualization. Rather than generating videos in one shot, StateFlow uses an editable 3D world to organize scene structure, evolution, and cameras, while off-the-shelf video models enhance visual quality when higher fidelity is desired. This world is maintained as a persistent structured 3D state of scene elements and camera configurations, serving as the core working representation for previsualization. Built on this insight, StateFlow has three stages to construct, evolve, and access the world state. State construction lifts generated 2D content into a coherent 3D world through prior-guided, conflict-aware dual-view initialization, while State evolution translates user intent into structured state transitions while preserving world memory, avoiding full-scene regeneration for each edit. State access uses render-feedback reflection to refine camera plans into visually feasible trajectories, avoiding reliance on VLM semantics alone. Experiments show that StateFlow produces high-quality 3D worlds for video creation and game-like prototyping.
• Abstract（参考訳）: プレビジョン化(Previsualization)は、映画、ゲーム、建築、都市デザインにおけるアイデアとプロダクションの間の中間層である。 クリエイターは、シーン、アクション、カメラ、時空間のダイナミクスを反復的に洗練することができる。 しかし、既存の生成方法は、ワンショット画像やビデオ合成を通じてこれらの要素をすべて共同で制御する単純なプロンプトに依存しており、弱い制御性と反復編集の限定的なサポートを提供する。 基本的には、世界は幾何学、外観、その他の属性を持つ複数の要素とカメラから構成される。 異なるフレームは、この共有状態の局所的な修正や再結合によって生成される。 したがって、欠落したコンポーネントは明示的で永続的な動作状態であると主張する。 この問題に対処するため、生成前処理のためのステート中心のフレームワークであるStateFlowを提案する。 ワンショットでビデオを生成する代わりに、StateFlowは編集可能な3Dワールドを使用してシーン構造、進化、カメラを整理する。 この世界は、シーン要素とカメラ構成の永続的な構造化された3D状態として維持され、前向き化のための中核的な作業表現として機能する。 この洞察に基づいて構築されたStateFlowには、世界状態の構築、進化、アクセスの3つのステージがある。 ステートコンストラクションは、事前に誘導されたコンフリクト対応のデュアルビュー初期化を通じて、2Dコンテンツをコヒーレントな3D世界へと持ち上げ、ステートコンストラクションは、ユーザの意図を世界記憶を維持しながら構造化された状態遷移に変換し、編集毎にフルシーンの再生を避ける。 状態アクセスはレンダリングフィードバックリフレクションを使用して、カメラプランを視覚的に実現可能なトラジェクトリに洗練し、VLMセマンティクスのみに依存することを避ける。 実験によると、StateFlowはビデオ制作やゲームライクなプロトタイピングのために高品質な3Dワールドを生産している。

関連論文リスト

• Programmable World Model [37.43654073749753]
  本稿では、視覚的観察生成から世界状態の進化を分離するフレームワークであるProgrammable World Modelを紹介する。 エージェントは自然言語の命令をエンティティの状態と状態遷移規則を指定する実行可能なプログラムに変換する。 軽量エンジンはこれらのプログラムを実行し、明示的で永続的な世界状態を更新し維持する。
  論文  参考訳（メタデータ） (2026-09-09T17:59:32Z)
• SimWorlds: A Multi-Agent System for Dynamic 3D Scene Creation [50.175987640001644]
  テキストから動的に編集可能な4Dシーンを生成するマルチエージェントフレームワークであるSimWorldsを紹介する。 また,プロシージャのダイナミックな3Dシーンの視覚的忠実度と身体的整合性を評価するベンチマークである4DBuildBenchも導入した。
  論文  参考訳（メタデータ） (2026-07-02T06:29:18Z)
• Lighting-grounded Video Generation with Renderer-based Agent Reasoning [56.50946217758078]
  LiVERは、シーン制御可能なビデオ生成のための拡散ベースのフレームワークである。 本稿では, 映像合成を明示的な3次元シーン特性に適応させる新しい枠組みを提案する。 本手法は, 統一された3次元表現から制御信号を描画することで, これらの特性をアンタングル化する。
  論文  参考訳（メタデータ） (2026-04-09T08:29:29Z)
• WorldFlow3D: Flowing Through 3D Distributions for Unbounded World Generation [33.369156362316055]
  コンピュータビジョン、グラフィックス、ロボット工学におけるシーンモデリングの基本的なタスクとして、無制限の3Dワールドジェネレーションが登場しつつある。 本研究では,非有界な3次元世界を生成する新手法 WorldFlow3D を提案する。
  論文  参考訳（メタデータ） (2026-03-31T00:08:17Z)
• Voyager: Long-Range and World-Consistent Video Diffusion for Explorable 3D Scene Generation [66.95956271144982]
  本稿では,単一画像から一貫した3Dポイントクラウドシーケンスを生成する新しいビデオ拡散フレームワークであるVoyagerを紹介する。 既存のアプローチとは異なり、Voyagerはフレーム間で固有の一貫性を持って、エンドツーエンドのシーン生成と再構築を実現している。
  論文  参考訳（メタデータ） (2025-06-04T17:59:04Z)
• Continuous 3D Perception Model with Persistent State [111.83854602049222]
  広い範囲の3Dタスクを解くことができる統一的なフレームワークを提案する。 我々のアプローチでは、新しい観測毎に状態表現を継続的に更新するステートフルなリカレントモデルが特徴である。 各種3D/4Dタスクにおける本手法の評価を行い,各課題における競合性や最先端性能を実証する。
  論文  参考訳（メタデータ） (2025-01-21T18:59:23Z)
• ReconX: Reconstruct Any Scene from Sparse Views with Video Diffusion Model [16.14713604672497]
  ReconXは、時間生成タスクとして曖昧な再構築課題を再編成する、新しい3Dシーン再構築パラダイムである。 提案したReconXはまずグローバルポイントクラウドを構築し、3D構造条件としてコンテキスト空間にエンコードする。 この条件に導かれ、ビデオ拡散モデルは、ディテール保存され、高い3D一貫性を示すビデオフレームを合成する。
  論文  参考訳（メタデータ） (2024-08-29T17:59:40Z)
• Lazy Visual Localization via Motion Averaging [89.8709956317671]
  本研究では,データベースからシーンを再構築することなく,高精度なローカライゼーションを実現することができることを示す。 実験の結果、我々の視覚的ローカライゼーションの提案であるLazyLocは、最先端の構造に基づく手法に対して同等のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2023-07-19T13:40:45Z)

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。