論文の概要: GeoCo-SAVi: Geometry-Consistent Slot Attention for Explicitly Editable Object Representations
- arxiv url: http://arxiv.org/abs/2609.06628v2
- Date: Sat, 12 Sep 2026 12:33:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:04.443377
- Title: GeoCo-SAVi: Geometry-Consistent Slot Attention for Explicitly Editable Object Representations
- Title（参考訳）: GeoCo-SAVi: 明示的な編集可能なオブジェクト表現のための幾何整合スロットアテンション
- Abstract要約: GeoCo-SAViは幾何学的権威と意味的アライメントを促進する。
250 MOVi-Cビデオでは、再構成、インスタンスグループ化、固定アイデンティティ幾何制御も改善されている。
- 参考スコア（独自算出の注目度）: 31.094346113912895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object-centric video models represent scenes with slots, yet exposed geometry can vary in meaning with appearance. In Invariant Slot Attention (ISA), explicit position and scale can disagree with the decoded center and extent; edits can yield unexpected motion or resizing, and replacing appearance can shift geometry. GeoCo-SAVi promotes geometric authority and semantic alignment. Its spatially equivariant, object-wise decoder makes position and scale effective commands: changing them moves or resizes the rendered support. Factual position alignment ties position to the decoded center, and normalized attention overlap discourages duplicate allocation. Appearance transplantation aligns geometry semantics across objects, so recipient geometry governs layout while donor appearance supplies shape. A temporal initializer propagates calibrated slots across frames. On Obj3D, GeoCo-SAVi matches ISA reconstruction, reduces p-centroid error by over 80%, and cuts appearance-induced size variation by over 50% while producing the expected translation and scale responses. On 250 MOVi-C videos, it also improves reconstruction, instance grouping, and fixed-identity geometry control over two same-protocol references. GeoCo-SAVi transforms explicit geometry into compositional control, making both position and scale more readable and editable.
- Abstract（参考訳）: オブジェクト中心のビデオモデルはスロットのあるシーンを表すが、露出した幾何学は外観によって異なる。
Invariant Slot Attention (ISA)では、明示的な位置とスケールはデコードされた中心と範囲とは一致せず、編集は予期せぬ動きやサイズを生じさせ、外観を置き換えることは幾何を変えることができる。
GeoCo-SAViは幾何学的権威と意味的アライメントを促進する。
空間的に均等なオブジェクトワイドデコーダは、移動やレンダリングされたサポートの変更といった、効率的なコマンドの位置とスケールを行う。
実位置アライメントはデコードされた中心に位置を結び、正規化された注意重なりが重複割り当てを阻止する。
外観移植はオブジェクト間の幾何学的意味を整合させるので、受け取り幾何学はレイアウトを制御し、ドナーの外観は形状を提供する。
時間初期化器は、フレーム間の校正スロットを伝搬する。
Obj3Dでは、GeoCo-SAViはISA再構成と一致し、p-セントロイド誤差を80%以上削減し、期待される翻訳とスケール応答を生成しながら、外観によるサイズ変化を50%以上削減する。
250 MOVi-Cビデオでは、2つの同じプロトコール参照に対する再構成、インスタンスグループ化、固定アイデンティティ幾何制御を改善している。
GeoCo-SAViは、明示的な幾何学を構成制御に変換することで、位置とスケールの両方をより読みやすく、編集しやすいものにする。
関連論文リスト
- G$^2$TAM: Geometry Grounded Track Anything Model [49.05553245076823]
本稿では,RGB画像やビデオのみを用いて,3次元のインスタンス追跡を高速化するための統一的なフレームワークを提案する。
G$2$TAMは空間的に整列した幾何学的表現を暗黙記憶として使用し、安定したインスタンス識別とフレームとビュー間のローカライゼーションを保証する。
中心となるのは、視覚的およびテキスト的プロンプトを共有幾何学空間に統合し、エンドツーエンドの空間再構成とインスタンス一貫性マスク予測を可能にするクロスモーダル空間エンコーダである。
論文 参考訳（メタデータ） (2026-07-04T09:32:13Z) - Geometry-Instructed Video Editing [54.86319853573801]
GIVEは幾何学的に指示されたビデオ編集フレームワークで、統一されたオブジェクト状態の定式化によって編集を表現する。
我々は、オブジェクトレベルの編集プログラムを実行し、ペアの前後で制御されるレンダリングを行うスケーラブルなグラフィックスエンジンパイプラインを構築している。
実験結果から,GIVEは時間的コヒーレンスと一貫した二次効果で忠実な幾何学的編集を行うことが示された。
論文 参考訳（メタデータ） (2026-06-23T07:11:45Z) - IVGT: Implicit Visual Geometry Transformer for Neural Scene Representation [76.36174247570716]
ポーズレス多視点画像から連続的かつ一貫性のある幾何を暗黙的にモデル化するインプリシトビジュアル幾何変換器IVGTを提案する。
IVGTは標準座標系で連続的なニューラルネットワークシーン表現を学習し、任意の3D位置での連続的な空間クエリをサポートする。
連続的かつコヒーレントな表面形状の直接抽出を可能にし、任意の視点からRGB画像、深度マップ、表面正規写像のレンダリングを可能にする。
論文 参考訳（メタデータ） (2026-05-15T17:59:57Z) - TRACE: High-Fidelity 3D Scene Editing via Tangible Reconstruction and Geometry-Aligned Contextual Video Masking [38.40189748889072]
メッシュ誘導3DGS編集フレームワークは、自動化された高忠実なシーン変換を実現する。
ビデオ拡散を明示的な3次元幾何学で固定することにより、TRACEはきめ細かい部分レベルのマニピュラを可能にする。
論文 参考訳（メタデータ） (2026-04-01T17:51:00Z) - IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction [82.53307702809606]
人間は自然に3次元世界の幾何学的構造と意味的内容を中間次元として知覚する。
本稿では,空間再構成とインスタンスレベルの文脈理解の両面での知識を統合するために,IGGT (InstanceGrounded Geometry Transformer) を提案する。
論文 参考訳（メタデータ） (2025-10-26T14:57:44Z) - Dragging with Geometry: From Pixels to Geometry-Guided Image Editing [42.176957681367185]
幾何学誘導型ドラッグベース画像編集手法であるGeoDragを提案する。
ジオドラグは3次元幾何学と2次元空間先行を共同で符号化する統一された変位場に基づいており、コヒーレントで高忠実で構造に一貫性のある編集を可能にしている。
論文 参考訳（メタデータ） (2025-09-30T03:53:11Z) - Leveraging Geometric Priors for Unaligned Scene Change Detection [53.523333385654546]
Unaligned Scene Change Detectionは、視点アライメントを仮定することなく、異なるタイミングでキャプチャされた画像ペア間のシーン変化を検出することを目的としている。
非整合SCDの中核的課題に対処するために、初めて幾何学的事前を導入する。
視覚基盤モデルの強力な表現とそれらを統合した学習自由フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-14T14:31:08Z) - Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。
近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。
本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
論文 参考訳（メタデータ） (2025-05-27T09:05:28Z) - ESCAPE: Equivariant Shape Completion via Anchor Point Encoding [79.59829525431238]
回転同変形状補完を実現するためのフレームワークであるESCAPEを紹介する。
ESCAPEは、形状からアンカーポイントを選択し、すべてのポイントを全てのアンカーポイントまでの距離として表現することで、独特の符号化戦略を採用している。
ESCAPEは任意の回転と翻訳をまたいだ堅牢で高品質な再構成を実現する。
論文 参考訳（メタデータ） (2024-12-01T20:05:14Z) - GeoDeformer: Geometric Deformable Transformer for Action Recognition [22.536307401874105]
視覚トランスフォーマーは、近年、行動認識のための畳み込みネットワークの効果的な代替品として登場した。
本稿では,幾何学的理解を直接ViTアーキテクチャに組み込むことで,アクションビデオに固有の変動を捉えるための新しいアプローチであるGeoDeformerを提案する。
論文 参考訳（メタデータ） (2023-11-29T16:55:55Z)
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。