論文の概要: SNF-Bench: Separating Static Drift from Natural Flow in Long-Horizon Fixed-Camera Video Generation
- arxiv url: http://arxiv.org/abs/2608.28694v1
- Date: Thu, 27 Aug 2026 05:17:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.716502
- Title: SNF-Bench: Separating Static Drift from Natural Flow in Long-Horizon Fixed-Camera Video Generation
- Title（参考訳）: SNF-Bench:長期固定カメラ映像生成における自然流からの静的ドリフトの分離
- Abstract要約: SNFベンチ(SNF-Bench)は、長距離固定カメラ生成のための評価フレームワークである。
各シーンを静的サポートと動的フローに分割し、静的忠実度、絶対等級のフロー永続性、ドリフトリークを別々に報告する。
フレーム全体の動きと静的領域のドリフトは、同じ出力のほぼ正の順序を誘導する。
- 参考スコア（独自算出の注目度）: 1.1666234644810893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon video generation is evaluated with whole-frame metrics that reward motion and temporal consistency. For fixed-camera nature scenes this creates an ambiguity: motion of water, fire, smoke, or rain is desirable, whereas motion of the background is an error. A system can therefore score well on motion while its scene drifts, or on consistency while its flow stagnates. We introduce SNF-Bench, an evaluation framework for long-horizon fixed-camera generation that partitions each scene into static support and dynamic flow and reports static fidelity, flow persistence with absolute magnitude, and drift leakage separately, never as one score. Drift leakage is interpretive context rather than a headline measurement. Each factor is validated mechanistically rather than by correlation with preference: we inject global translation, rotation, and scale drift and progressive late freezing at known severity into real generations, and require each factor to respond in its stated direction and to remain selective against corruptions it does not target. Auditing publicly released long-horizon text-conditioned checkpoints under one recorded common inference configuration, plus an image-conditioned track with released-pipeline references and a deployment-sensitivity panel, we find that whole-frame motion and static-region drift induce near-opposite orderings of the same outputs. At maximum controlled translation, fBD and NBF rise to $1.86\times$ and $1.32\times$ baseline, but whole-frame Dynamic Degree reaches only $1.07\times$---rewarding the corruption. SNF-Bench measures where motion occurs and whether it persists; it does not measure physical realism. Project page: https://minar09.github.io/snfbench/.
- Abstract（参考訳）: 長軸ビデオ生成は、動きと時間的一貫性に報いる全フレームのメトリクスで評価される。
固定カメラの自然シーンでは、水、火、煙、雨の移動が望ましいが、背景の動きは誤りである。
従ってシステムは、シーンがドリフトしている間に、あるいは流れが停滞している間に、動きによくスコアを付けることができる。
SNF-Benchは,各シーンを静的なサポートと動的フローに分割し,静的な忠実さ,絶対等級のフロー永続性,ドリフトリークを別々に報告する,長期固定カメラ生成のための評価フレームワークである。
ドリフトリークは、ヘッドライン測定よりも解釈的な文脈である。
グローバル翻訳、回転、スケールドリフト、および進行後期凍結を実世代に注入し、各因子がその指示された方向で応答し、ターゲットではない汚職に対して選択的に応答することを要求する。
提案手法は,1つの共通推論条件下での長軸テキスト条件チェックポイントと,リリースしたピペリン基準付き画像条件トラックと,展開感度パネルを併用することにより,フレーム全体の動きと静止領域ドリフトが同一出力のほぼ正の順序を誘導することを示した。
最大で制御された翻訳では、fBDとNBFは1.86\times$と1.32\times$ベースラインに上昇するが、全フレームのDynamic Degreeは1.07\times$に留まる。
SNF-ベンチは運動の発生場所と持続するかどうかを測るが、物理的なリアリズムを測るものではない。
プロジェクトページ: https://minar09.github.io/snfbench/。
関連論文リスト
- IMU-Free Body-Frame State Estimation with Sparse Scene Flow for Quadcopters [0.0]
我々は、標準ステレオカメラと慣性センサーを搭載せず、X-コンフィグレーションクワッドコプターの視覚のみの状態推定システムを提案する。
システムは完全にボディフレーム内で動作し、ステレオ画像とモータースラストコマンドの同期のみを必要とする。
論文 参考訳（メタデータ） (2026-08-21T09:11:01Z) - CamFlow+: Hybrid Motion Bases for 2D Camera Motion Estimation with Stabilization Applications [80.50125916369686]
既存のホモグラフィーに基づく手法は、カメラ翻訳、深度変化、局所視差に苦慮している。
我々は,高密度フロー空間で直接2次元カメラの動きを表現するハイブリッド・ベーシックフレームワークCamFlow+を紹介する。
デジタルビデオの安定化では、CamFlow+はグローバルおよびローカルの安定性も向上し、ブラインドユーザスタディにおいて最高のトップ1の選好率を達成する。
論文 参考訳（メタデータ） (2026-06-04T09:22:07Z) - Steady-Forcing: Balancing Spatial Persistence and Motion Continuity in Long-Horizon Nature Video Diffusion [1.1666234644810893]
自動回帰ビデオ拡散モデルはストリーミング生成を可能にするが、長時間のロールアウトでは劣化することが多い。
本研究では,この安定移動トレードオフを,固定カメラによる長距離自然映像生成において検討する。
本稿では,永続的視覚アンカー(V-Sink),指数的移動平均運動メモリ(EMA-Sink),ブロック相対時間符号化,周期的キャッシュの浄化,Wan2.1-14B教師の蒸留を組み合わせたメモリ・トレーニングフレームワークであるSteady-Forcingを提案する。
論文 参考訳（メタデータ） (2026-06-02T07:11:50Z) - SafeFlow: Real-Time Text-Driven Humanoid Whole-Body Control via Physics-Guided Rectified Flow and Selective Safety Gating [5.252722148826105]
SafeFlowはテキスト駆動のヒューマノイド全体のコントロールフレームワークである。
物理誘導型モーションジェネレーションと、明示的なリスク指標によって駆動される3段安全ゲートを組み合わせる。
従来の拡散に基づく手法よりも、成功率、物理的コンプライアンス、推論速度が優れている。
論文 参考訳（メタデータ） (2026-03-25T06:24:16Z) - World-Grounded Human Motion Recovery via Gravity-View Coordinates [60.618543026949226]
本研究では,新しい重力-視座標系における人間のポーズ推定手法を提案する。
提案したGVシステムは、ビデオフレーム毎に自然に重力に整合し、一意に定義されている。
提案手法は,カメラ空間と地上設定の両方でよりリアルな動きを再現し,精度と速度の両方で最先端の手法より優れる。
論文 参考訳（メタデータ） (2024-09-10T17:25:47Z) - A Unified Diffusion Framework for Scene-aware Human Motion Estimation from Sparse Signals [47.72778485845676]
シーンによって提供されるリッチなコンテキスト情報を組み合わせて、スパース観測から全体の動き追跡に役立てる新しいフレームワークを提案する。
$textS2$Fusionは、まず、周期的オートエンコーダを介してスパース信号に存在する時空間関係を抽出する。
$textS2$Fusionは条件拡散を利用してシーン幾何学とスパース追跡信号を融合し、フルボディのシーン認識モーションを生成する。
論文 参考訳（メタデータ） (2024-04-07T09:15:45Z) - Multi-Body Neural Scene Flow [37.31530794244607]
本研究では, 剛体のSE(3)$パラメータを制約する, 煩雑で不安定な戦略を使わずに, 多体剛性を実現することができることを示す。
これは、剛体に対する流れ予測における等尺性を促進するために、シーンフロー最適化を規則化することによって達成される。
実世界のデータセットに関する広範な実験を行い、我々の手法が3次元シーンフローにおける最先端の4次元軌道予測と長期的ポイントワイドの4次元軌道予測より優れていることを実証した。
論文 参考訳（メタデータ） (2023-10-16T11:37:53Z) - Tracking Everything Everywhere All at Once [111.00807055441028]
ビデオシーケンスから高密度及び長距離運動を推定するための新しいテスト時間最適化法を提案する。
我々はOmniMotionと呼ばれる完全で一貫した動作表現を提案する。
提案手法は,従来の最先端手法よりも定量的にも定性的にも大きなマージンで優れている。
論文 参考訳（メタデータ） (2023-06-08T17:59:29Z) - SCTN: Sparse Convolution-Transformer Network for Scene Flow Estimation [71.2856098776959]
点雲は非秩序であり、その密度は著しく一様ではないため、点雲の3次元運動の推定は困難である。
本稿では,sparse convolution-transformer network (sctn) という新しいアーキテクチャを提案する。
学習した関係に基づく文脈情報が豊富で,対応点の一致に役立ち,シーンフローの推定に有効であることを示す。
論文 参考訳（メタデータ） (2021-05-10T15:16:14Z) - Learning to Segment Rigid Motions from Two Frames [72.14906744113125]
本研究では, 運動場から独立物体の動きを復元する幾何学的解析により, モジュラーネットワークを提案する。
2つの連続フレームを入力とし、背景のセグメンテーションマスクと複数の剛体移動オブジェクトを予測し、3次元の剛体変換によってパラメータ化する。
本手法はkittiおよびsintelにおける剛体運動セグメンテーションの最先端性能を実現する。
論文 参考訳（メタデータ） (2021-01-11T04:20:30Z)
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。