論文の概要: 4DSynth: Controllable Procedural World Synthesis for Dynamic Embodied Simulation

• arxiv url: http://arxiv.org/abs/2608.26947v1
• Date: Thu, 27 Aug 2026 10:49:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.360682
• Title: 4DSynth: Controllable Procedural World Synthesis for Dynamic Embodied Simulation
• Title（参考訳）: 4DSynth:動的身体シミュレーションのための制御可能な手続き型世界合成
• Abstract要約: 身体的エージェントは、視覚的に多様性があり、物理的にインタラクティブで、時間とともに変化する環境を必要とする。 4D Synthは、自然言語記述、青写真マスク、または1枚の写真を編集可能な4D環境に変換する、制御可能な手続きシステムである。 複数のシーンルートが1つの幾何学的地上表現を共有しているため、同じパイプラインがアニメーション、カメラ計画、レンダリング、タスク生成を処理する。
• 参考スコア（独自算出の注目度）: 16.13796756164597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embodied agents need environments that are visually diverse, physically interactive, and changing over time. Procedural simulators can generate large interactive scene collections, and recent 4D generators produce compelling visual dynamics. Combining these properties in one environment, however, still demands extensive manual effort, and the result is rarely editable or controllable enough to reuse at scale. We present 4DSynth, a controllable procedural system that turns a natural-language description, a blueprint mask, or a single photograph into an editable 4D environment with explicit geometry, animated actors, collision-free trajectories, and physics-ready simulation state. Multiple scene routes share one geometry-grounded representation, so the same pipeline handles animation, camera planning, rendering, and task generation. To validate the full pipeline, we construct 4DSynth-Nav, an interactive navigation benchmark generated entirely from 4DSynth's procedural scenes. Two vision-language models evaluated across three difficulty tiers both fail the majority of tasks and stall after early subtasks. The same procedural controllability that produces these environments also makes each failure reproducible and each difficulty axis independently tunable. This paper presents both a controllable generation pipeline and the scalable benchmark it enables, offering a practical foundation for developing and evaluating embodied agents.
• Abstract（参考訳）: 身体的エージェントは、視覚的に多様性があり、物理的にインタラクティブで、時間とともに変化する環境を必要とする。 プロシージャシミュレータは大きなインタラクティブなシーンコレクションを生成することができ、最近の4Dジェネレータは魅力的な視覚力学を生成する。 しかし、これらのプロパティをひとつの環境で組み合わせるには、依然として広範囲な手作業が必要であり、その結果を編集したり、大規模に再利用するのに十分なコントロールが可能であることは滅多にない。 4DSynthは、自然言語記述、青写真マスク、または1枚の写真を、明示的な幾何学、アニメーションアクター、衝突のない軌道、物理対応のシミュレーション状態で編集可能な4D環境に変換する、制御可能な手続きシステムである。 複数のシーンルートが1つの幾何学的地上表現を共有しているため、同じパイプラインがアニメーション、カメラ計画、レンダリング、タスク生成を処理する。 4DSynth-Navは4DSynthのプロシージャシーンから生成した対話型ナビゲーションベンチマークである。 3つの難易度層で評価された2つの視覚言語モデルは、タスクの大部分を失敗し、初期のサブタスク後に停止する。 これらの環境を生成するのと同じ手続き的制御性は、各障害を再現可能とし、各困難を独立に調整可能とする。 本稿では、制御可能な生成パイプラインと拡張性のあるベンチマークの両方を提示し、エンボディエージェントの開発と評価のための実践的な基盤を提供する。

関連論文リスト

• 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)
• One Video, One World: Turning Monocular Video into Physical 4D Scenes [27.429882736058904]
  OVOWは、単一のモノクロビデオから、インテナンスレベルでシミュレーション可能な4Dメッシュシーンを再構築する。 我々は,視覚的忠実度を超えた幾何的正しさ,インスタンス分離,物理的妥当性を指標として,エンファン構造化ビデオから4次元評価のための最初のベンチマークを確立した。 OVOWは、すべてのベースラインの中で最高のレイアウトと幾何学的精度、および最も低い測光的および意味的誤差を達成する。
  論文  参考訳（メタデータ） (2026-06-30T09:16:21Z)
• Syn4D: A Multiview Synthetic 4D Dataset [92.50132053229817]
  モノクロビデオからの動的シーンの3D再構成と追跡は、コンピュータビジョンにおいて重要な課題である。 この制限に対処するために、マルチビュー合成動的シーンであるSyn4Dを紹介する。 Syn4Dの主な特徴は、任意のピクセルを3Dに切り離すことである。
  論文  参考訳（メタデータ） (2026-05-06T17:59:55Z)
• Asset Harvester: Extracting 3D Assets from Autonomous Driving Logs for Simulation [63.01022057888141]
  Asset Harvesterはイメージ・ツー・3Dモデルとエンドツーエンドのパイプラインで、実際の運転ログからスパース・イン・ザ・ワン・オブジェクトの観察を完全なシミュレーション可能なアセットに変換する。 SparseViewDiTは、限定角度ビューやその他の実世界のデータ課題に対処するように明示的に設計されている。
  論文  参考訳（メタデータ） (2026-04-20T16:20:57Z)
• MorphoSim: An Interactive, Controllable, and Editable Language-guided 4D World Simulator [42.06769509897601]
  マルチビューの一貫性とオブジェクトレベルの制御を備えた4Dシーンを生成する言語ガイドフレームワークであるMorphoSimを紹介する。 このフレームワークは、軌跡誘導生成と機能フィールドの延長を統合し、完全な再生成なしにインタラクティブに編集を適用できる。
  論文  参考訳（メタデータ） (2025-10-05T22:55:17Z)
• 4D Gaussian Splatting: Modeling Dynamic Scenes with Native 4D Primitives [115.67081491747943]
  動的3Dシーン表現と新しいビュー合成はAR/VRおよびメタバースアプリケーションの実現に不可欠である。 我々は,その基礎となる4次元体積を近似として,時間変化の異なる3次元シーンの再構成を再構成する。 ストレージのボトルネックに対処するため、メモリフットプリントを効果的に削減するいくつかのコンパクトなバリエーションを導出する。
  論文  参考訳（メタデータ） (2024-12-30T05:30:26Z)
• DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation [54.02069690134526]
  本研究では,現実的でクローズドループなシミュレーションフレームワークであるDrivingSphereを提案する。 その中核となる考え方は、4Dの世界表現を構築し、実生活と制御可能な運転シナリオを生成することである。 動的で現実的なシミュレーション環境を提供することで、DrivingSphereは自律運転アルゴリズムの包括的なテストと検証を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T03:00:33Z)
• Trans4D: Realistic Geometry-Aware Transition for Compositional Text-to-4D Synthesis [60.853577108780414]
  既存の4D生成方法は、ユーザフレンドリーな条件に基づいて高品質な4Dオブジェクトやシーンを生成することができる。 現実的な複雑なシーン遷移を可能にする新しいテキストから4D合成フレームワークであるTrans4Dを提案する。 実験では、Trans4Dは、4Dシーンを正確かつ高品質な遷移で生成する既存の最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2024-10-09T17:56:03Z)

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。