論文の概要: WorldReward: Reward Modeling for Camera-Conditioned World Models
- arxiv url: http://arxiv.org/abs/2609.03952v1
- Date: Thu, 03 Sep 2026 14:53:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.12244
- Title: WorldReward: Reward Modeling for Camera-Conditioned World Models
- Title（参考訳）: WorldReward: カメラを用いた世界モデルのためのリワードモデリング
- Abstract要約: 本稿では,VLMに基づくカメラコンディショニング世界モデルに対するペアワイズ優先報酬モデルであるWorldRewardを紹介する。
WorldRewardは、ペア化されたビデオをアクション整合したチャンクに分解し、各チャンクを構造化された視覚的エビデンスに整理し、ビデオレベルのアクションと視覚的品質の好みに投票することでチャンクレベルの決定を集約する。
WorldReward は GPT-5.5 の3.42 倍、 1.45 倍、および 3.56 倍の3つの次元で最高合意を達成している。
- 参考スコア（独自算出の注目度）: 56.14617966299295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Camera-conditioned world models generate interactive videos in which commanded actions should induce the expected scene changes while appearance, geometry, and temporal dynamics remain coherent. Existing rewards assess these requirements separately: geometry-based rewards estimate trajectory execution but cannot judge the visual quality of the executed motion, whereas image-based rewards measure frame quality without capturing action execution or temporal dynamics. We posit that a vision-language model (VLM) offers a shared reasoning space for relating actions to their visual outcomes. However, judging a complete long video against its full action sequence creates a lengthy, noisy context in which short-lived local action evidence can be missed or diluted. We present WorldReward, a VLM-based pairwise preference reward model that unifies action-consistency and visual-quality evaluation for camera-conditioned world models. WorldReward decomposes paired videos into action-aligned chunks, organizes each chunk into structured visual evidence, and aggregates chunk-level decisions by voting into separate video-level action and visual-quality preferences. To train it, we construct a large-scale reasoning-augmented preference dataset using structured judgments generated by a frontier VLM and refined through tool-based agent auditing and targeted human review. We further introduce WorldReward-Bench, a human-annotated benchmark measuring reward-model agreement with human preferences across action consistency, appearance quality, and motion quality. WorldReward achieves the highest agreement on all three dimensions, exceeding GPT-5.5 by 3.42, 1.45, and 3.56 percentage points, respectively. When used for RL post-training of HY-WorldPlay 1.5, it consistently improves both action execution and visual quality across short- to long-term horizons.
- Abstract（参考訳）: カメラ条件付き世界モデルは、外見、幾何学、時間的ダイナミクスが整合性を維持している間、命令されたアクションが期待されるシーン変化を誘発するインタラクティブなビデオを生成する。
幾何に基づく報酬は軌道実行を推定するが、実行された動作の視覚的品質を判断することはできない。
視覚言語モデル(VLM)は、行動と視覚的結果との関連性を示す共通推論空間を提供すると仮定する。
しかし、フルアクションシーケンスに対する完全なロングビデオの判断は、短命なローカルアクションエビデンスを見逃したり、希釈したりする、長くノイズの多いコンテキストを生み出す。
本稿では,VLMに基づくペアワイズ・リコメンデーション・モデルであるWorldRewardについて述べる。
WorldRewardは、ペア化されたビデオをアクション整合したチャンクに分解し、各チャンクを構造化された視覚的エビデンスに整理し、ビデオレベルのアクションと視覚的品質の好みに投票することでチャンクレベルの決定を集約する。
そこで我々は,フロンティアVLMが生成し,ツールベースのエージェント監査と対象人間のレビューによって洗練された構造化判断を用いて,大規模推論強化された嗜好データセットを構築した。
動作の整合性,外観品質,動作品質など,人間の嗜好に対する報酬モデル合意を人手による評価で測定するWorldReward-Benchについても紹介する。
WorldReward は GPT-5.5 の3.42 倍、 1.45 倍、および 3.56 倍の3つの次元で最高合意を達成している。
HY-WorldPlay 1.5のRL後トレーニングに使用すると、アクションの実行と視覚的品質が短期から長期にわたって一貫して改善される。
関連論文リスト
- VOR-Bench: A Human Perception-Driven Benchmark for Video Object Removal [41.67024349583551]
VORベンチ(VOR Bench)を導入し、3つの統合コンポーネントによるVOR評価を向上する。
まず、VORデータセット(VORD)を、ペア化された編集ビデオと落書きマスクの両方を提供する最初のベンチマークデータセットとして提示する。
第2に、現実的なモーション対応Paired-Video Acquisition FrameworkであるrMPAFを開発する。
第3に,マスク誘導型VORに特化して設計されたVLMに基づく最初の知覚駆動型スコアリングモデルであるVOR-MDSMを紹介する。
論文 参考訳（メタデータ） (2026-09-15T09:08:00Z) - PlayWorld: Benchmarking World Models with Agent Players over Long-Horizon Objectives [86.3073067035531]
ビデオワールドモデルは、現在の観察とユーザーアクションに基づいて、将来の状態をシミュレートする。
近年のシステムでは、長いシーケンス上での映像の一貫性とアクション制御性が顕著に示されている。
しかし、これらのインタラクティブモデルを比較することは依然として困難だ。
我々はマルチモーダル・エージェント・プレイヤーを用いて、特定の長距離目標に向けて世界モデルと対話する。
論文 参考訳（メタデータ） (2026-08-13T17:59:30Z) - WorldExam: Benchmarking World Models from Apparent Appearance to Inherent Reactivity [75.96851880065331]
ビジュアル品質、制御の整合性、空間整合性、世界反応性の4つのレベルにまたがる診断ベンチマークであるWorldExamを紹介した。
8つのタスクにまたがる1,474のケースで構成され、カメラ、アクション、言語駆動モデルパラダイムの統一的な評価をサポートする。
カメラ駆動型モデルはカメラ制御に優れるが,インターフェースは動的相互作用をサポートしていない。
論文 参考訳（メタデータ） (2026-08-03T17:59:54Z) - SC3-Eval: Evaluating Robot Foundation Models via Self-Consistent Video Generation [73.2142090645987]
SC3-Evalは、事前訓練されたビデオ基盤モデルを正確なポリシー評価器に適合させる自己一貫性のあるビデオ生成レシピである。
SC3-Evalロールアウトは、実世界のロールアウトでポリシーが示す障害モードを再現し、詳細な診断比較をサポートする。
論文 参考訳（メタデータ） (2026-06-17T02:15:46Z) - WorldOlympiad: Can Your World Model Survive a Triathlon? [39.69359039523777]
我々は,物理忠実度,幾何整合性,相互作用忠実度にまたがるビデオベース世界モデルの診断のためのベンチマークであるWorldOlympiadを紹介する。
WorldOlympiadは、世界モデルの評価を3つの相補的な次元に分解する。
論文 参考訳（メタデータ） (2026-06-09T17:24:36Z) - DisCo: World Models with Discrete Camera Motion Control [79.86256515640231]
本研究では、離散アクションプリミティブのコンパクトなセットで生成し、アクション分離性を改善する制御可能なビデオワールドモデルであるDisCoを提案する。
DisCoは、視覚的品質を維持しながら、はるかに信頼性の高いアクションを達成する。
論文 参考訳（メタデータ） (2026-06-06T03:50:45Z) - Towards High-Consistency Embodied World Model with Multi-View Trajectory Videos [24.111891848073288]
身体的世界モデルは、視覚的な観察と行動を通じて物理的世界と予測し、相互作用することを目的としている。
MTV-Worldは正確なビジュモータ予測のためのマルチビュートラジェクトリ・ビデオ制御を導入した。
MTV-Worldは、複雑なデュアルアームシナリオにおける正確な制御実行と正確な物理的相互作用モデリングを実現する。
論文 参考訳（メタデータ） (2025-11-17T02:17:04Z) - SVAG-Bench: A Large-Scale Benchmark for Multi-Instance Spatio-temporal Video Action Grounding [48.64661382961745]
本研究では,ビデオ中のすべての参照オブジェクトを同時に検出,追跡,時間的ローカライズするモデルを必要とする新しいタスクである,SVAG(Spatio-temporal Video Action Grounding)を紹介する。
SVAG-Benchは688の動画、19,590の注釈付きレコード、903のユニークな動詞からなる大規模ベンチマークである。
実験の結果、既存のモデルではSVAG、特に密集したシーンや複雑なシーンでは性能が良くないことがわかった。
論文 参考訳（メタデータ） (2025-10-14T22:10:49Z) - DynamicEval: Rethinking Evaluation for Dynamic Text-to-Video Synthesis [17.750053029702222]
既存のテキスト・トゥ・ビデオ(T2V)評価ベンチマークであるVBenchやEvalCrafterには2つの制限がある。
ダイナミックカメラの動きを強調するプロンプトを体系的にキュレートしたベンチマークであるDynamicEvalを紹介する。
背景環境の整合性を示すために,Vbench運動の滑らか度測定値に基づく解釈可能な誤差マップを得る。
提案手法は,映像レベルとモデルレベルの両方において,人間の嗜好と強い相関関係を示す。
論文 参考訳（メタデータ） (2025-10-08T18:41:04Z)
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。