論文の概要: OctWorld: Long-Range World-Consistent Video Generation with Octree-Based 3D Mapping
- arxiv url: http://arxiv.org/abs/2609.03919v1
- Date: Thu, 03 Sep 2026 14:35:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.105588
- Title: OctWorld: Long-Range World-Consistent Video Generation with Octree-Based 3D Mapping
- Title（参考訳）: OctWorld:Octreeベースの3Dマッピングによる長距離世界一貫性ビデオ生成
- Abstract要約: OctWorldは、高忠実な視覚シーンを生成するための永続的な3Dメモリを備えたビデオ拡散フレームワークである。
生成した視覚観測と対応する深度マップをグローバルな表現に融合する空間適応型3DメモリであるOctoMapを紹介する。
実験により、OctoWorldは長距離で空間的に一貫したビデオを生成し、既存のベンチマークと挑戦する長距離生成設定の両方で先行手法より優れていることが示された。
- 参考スコア（独自算出の注目度）: 28.09932043900358
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present OctWorld, a video diffusion framework with persistent 3D memory for generating explorable, world-consistent, and high-fidelity visual scenes. Given a single image, OctWorld performs stable autoregressive world generation along user-specified camera trajectories. We focus on long-range generation, characterized by extended camera paths and wide viewpoint coverage, where preserving spatial consistency is particularly challenging when previously generated regions are revisited. To address this problem, we introduce OctMap, an extensible and spatially adaptive 3D memory that progressively fuses generated visual observations and their corresponding depth maps into a global representation. OctMap employs TSDF fusion within a dynamic sparse octree whose spatial resolution adapts to image evidence. This design preserves geometric and appearance details across diverse scene scales while maintaining low memory overhead. Experiments demonstrate that OctWorld generates long-range, spatially consistent videos and outperforms prior methods on both existing benchmarks and challenging long-range generation settings. OctMap also provides clear advantages over point-based caches and fixed-resolution TSDF volumes. Project page: https://maxtirerror.github.io/octworldpage/
- Abstract（参考訳）: 我々は,探索可能な,世界整合性,高忠実な視覚シーンを生成するために,永続的な3Dメモリを備えたビデオ拡散フレームワークOctoWorldを提案する。
一つの画像が与えられた場合、OctoWorldはユーザーが特定したカメラの軌跡に沿って安定した自己回帰世界生成を行う。
我々は、カメラパスの拡張と広い視点のカバレッジを特徴とし、以前に生成された領域を再訪する場合、空間的整合性を維持することが特に困難である、長距離生成に焦点を当てる。
この問題に対処するため,我々は,生成した視覚観測とそれに対応する深度マップをグローバルな表現に段階的に融合させる拡張可能で空間適応的な3DメモリであるOctoMapを紹介した。
OctMapは、空間分解能が画像証拠に適応するダイナミックスパースオクツリー内でTSDF融合を利用する。
この設計は、メモリオーバーヘッドを低く保ちながら、様々なシーンスケールにわたる幾何学的および外観的詳細を保存する。
実験により、OctoWorldは長距離で空間的に一貫したビデオを生成し、既存のベンチマークと挑戦する長距離生成設定の両方で先行手法より優れていることが示された。
OctMapはまた、ポイントベースのキャッシュと固定解像度TSDFボリュームに対して明確なアドバンテージを提供する。
プロジェクトページ:https://maxtirerror.github.io/octworldpage/
関連論文リスト
- Latent Spatial Memory for Video World Models [45.02259712072663]
ビデオワールドモデルのためのエンフラテント空間記憶を導入し、3Dキャッシュでシーン情報を拡散潜時空間に直接保存し、画素空間の再構成を避ける。
実験により、遅延空間メモリは、より高速なエンドツーエンドビデオ生成と、明示的な3Dベースラインに対するメモリフットプリントの削減を実現する。
論文 参考訳（メタデータ） (2026-06-08T17:59:54Z) - Lyra 2.0: Explorable Generative 3D Worlds [77.45279013687427]
Lyra 2.0は、永続的で探索可能な3D世界を大規模に生成するためのフレームワークです。
空間的忘れに対処するため、フレームごとの3D形状を維持し、情報ルーティングのみに使用します。
自己拡張された履歴をトレーニングして、モデルを自身の劣化した出力に公開し、それを伝播するのではなく、ドリフトを正すように教えます。
論文 参考訳（メタデータ） (2026-04-14T17:59:44Z) - AnchorWeave: World-Consistent Video Generation with Retrieved Local Spatial Memories [78.78355829813793]
既存のメモリベースのアプローチでは、歴史的に再構成された幾何学のアンカービデオをレンダリングすることで、グローバルに再構成された3Dシーンを条件付けすることが多い。
AnchorWeaveは、単一の不整合グローバルメモリを複数のローカルな幾何学的メモリに置き換える、メモリ拡張ビデオ生成フレームワークである。
実験によると、AnchorWeaveは視覚的品質を維持しながら、長期的なシーンの一貫性を著しく向上する。
論文 参考訳（メタデータ） (2026-02-16T17:23:08Z) - WorldWarp: Propagating 3D Geometry with Asynchronous Video Diffusion [78.20778143251171]
WorldWarpは、3D構造アンカーと2D生成ファインダを結合するフレームワークだ。
WorldWarpは、各ステップで3Dキャッシュを動的に更新することで、ビデオチャンク間の一貫性を維持する。
3Dロジックが構造をガイドし、拡散ロジックがテクスチャを完璧にすることで、最先端の忠実さを実現する。
論文 参考訳（メタデータ） (2025-12-22T18:53:50Z) - Endless World: Real-Time 3D-Aware Long Video Generation [57.411689597435334]
Endless Worldは、無限の3D一貫性のあるビデオ生成のためのリアルタイムフレームワークである。
本稿では,新たに生成されたコンテンツを既存のビデオフレームと整合させる条件付き自己回帰学習手法を提案する。
我々の3Dインジェクション機構は、拡張シーケンスを通して物理的妥当性と幾何的整合性を強制する。
論文 参考訳（メタデータ） (2025-12-13T19:06:12Z) - 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) - WorldExplorer: Towards Generating Fully Navigable 3D Scenes [48.16064304951891]
WorldExplorerは、幅広い視点で一貫した視覚的品質で、完全にナビゲート可能な3Dシーンを構築する。
私たちは、シーンを深く探求する、短く定義された軌道に沿って、複数のビデオを生成します。
我々の新しいシーン記憶は、各ビデオが最も関連性の高い先行ビューで条件付けされている一方、衝突検出機構は劣化を防止している。
論文 参考訳（メタデータ） (2025-06-02T15:41:31Z) - WonderWorld: Interactive 3D Scene Generation from a Single Image [38.83667648993784]
我々はインタラクティブな3Dシーン生成のための新しいフレームワークWonderWorldを紹介する。
WonderWorldは、単一のA6000 GPU上で10秒未満で接続された多様な3Dシーンを生成する。
論文 参考訳（メタデータ） (2024-06-13T17:59:10Z)
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。