論文の概要: Beyond Visual Quality: Evaluating Physical Consistency under Ego-Motion with EgoGenEval

• arxiv url: http://arxiv.org/abs/2609.11172v1
• Date: Thu, 10 Sep 2026 07:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.241724
• Title: Beyond Visual Quality: Evaluating Physical Consistency under Ego-Motion with EgoGenEval
• Title（参考訳）: 視品質を超えて:EgoGenEvalによるEgo-Motion下での物理的一貫性の評価
• Abstract要約: EgoGenEvalは、エゴモーション下での視覚的ジェネレータの物理的一貫性を評価するための、幾何学的、ポーズなしのベンチマークである。 カメラモーショングラウンド(CMG)とSSP(Scene State Preservation)を測定する。 ベンチマークから得られたデータがこれらの能力を向上できるかどうかを調べるため、同じ幾何学的なパイプラインからEgoGen-Trainを構築し、制御されたSFT研究を実行する。
• 参考スコア（独自算出の注目度）: 14.825683833578971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent visual generators produce high-fidelity images yet often violate physical consistency under ego-motion, limiting their use for spatial reasoning and embodied planning. Existing benchmarks largely focus on isolated images or single-step quality, leaving this challenge underexplored. We introduce EgoGenEval, a geometry-grounded, pose-free benchmark designed to evaluate the physical consistency of visual generators under ego-motion, and organize our study into two parts. (1) EgoGenEval contains 1,400 cases and 2,360 target views spanning single-step and multi-step ego-motion. It separately measures Camera Motion Grounding (CMG) and Scene State Preservation (SSP), with both metrics validated against blinded human judgments. Evaluating 16 pose-free generators together with two pose-conditioned references reveals that current models struggle to execute camera motion while maintaining scene state, and that no system performs well on both axes at once. (2) To examine whether benchmark-derived data can improve these capabilities, we build EgoGen-Train from the same geometry-grounded pipeline and run controlled SFT studies. These show that pairwise supervision does not reliably improve camera-motion grounding and scene-state preservation together: even at the full training pool and the longest budget, scene preservation gains a fraction of what camera motion does. This points to the pairwise teacher-forced objective itself as the binding constraint, motivating a trajectory-centric paradigm that couples self-conditioned rollouts with explicit pose and visibility supervision.
• Abstract（参考訳）: 最近のビジュアルジェネレータは、高忠実度画像を生成するが、エゴモーションの下では物理的一貫性に反し、空間的推論や具体的計画に使用を制限することが多い。 既存のベンチマークでは、主に分離されたイメージやシングルステップの品質に重点を置いており、この課題は過小評価されている。 EgoGenEvalは,エゴモーション下での視覚的ジェネレータの物理的整合性を評価するために設計された,幾何学的グラウンドでポーズのないベンチマークである。 1) EgoGenEvalは, ワンステップとマルチステップのエゴモーションにまたがる1,400のケースと2,360のターゲットビューを含む。 カメラモーショングラウンド(CMG)とSSP(Scene State Preservation)を別々に測定し、どちらも盲目の人間の判断に対して検証されている。 16個のポーズフリージェネレータを2つのポーズコンディショニング基準とともに評価すると、現在のモデルではシーン状態を維持しながらカメラの動きを実行するのに苦労しており、両方の軸で一度にうまく動作するシステムは存在しないことが分かる。 2) ベンチマークから得られたデータによってこれらの性能が向上するかどうかを調べるため,同じ形状のパイプラインからEgoGen-Trainを構築し,制御されたSFT研究を実行する。 これらのことは、カメラモーションの接地とシーン状態の保存を相互に確実に改善しないことを示しており、フルトレーニングプールと最長予算において、シーンの保存はカメラモーションが行うことのごく一部を獲得する。 これは、自己条件付きロールアウトと明示的なポーズと可視性監視とを結合する軌道中心のパラダイムを動機付ける、束縛制約としての教師力目標そのものを指している。

関連論文リスト

• Everybody Tracking Every Body [54.76361724681694]
  本研究では,集中的な協調を伴う自我中心的な視点から対話する複数の人物の3次元身体ポーズ推定の問題に対処する。 この動画をVIO SLAMで処理することで、宇宙空間におけるそれぞれの自撮りカメラの高品質な追跡が可能になる。 本研究では,頭部の動きに基づくポーズ推定と遠心性ポーズ観測を融合した拡散型アプローチを提案する。
  論文  参考訳（メタデータ） (2026-08-30T17:42:15Z)
• ReViV: Reconstructing the Viewer and the View in 4D from Monocular Egocentric Video [51.951128822418774]
  ReViVは、総合的なエゴセントリックな4D再構成のためのフレームワークである。 Masked Generative Egocentric Transformerにより、ReViVは単一のフィードフォワードアーキテクチャ内で動作する。
  論文  参考訳（メタデータ） (2026-07-20T10:22:53Z)
• 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)
• Bringing a Personal Point of View: Evaluating Dynamic 3D Gaussian Splatting for Egocentric Scene Reconstruction [17.903916530175533]
  エゴセントリックなビデオは、人間の知覚と相互作用に関するユニークな視点を提供する。 迅速なカメラモーションと複雑なシーンダイナミクスは、この観点から3次元再構成に大きな課題をもたらす。 エゴ中心およびエゴ中心ビデオ上での動的単分子3DGSモデルの評価を,ペア・エゴ・エゴ・エゴ・レコーディングを用いて行った。
  論文  参考訳（メタデータ） (2026-04-26T16:58:19Z)
• EgoMotion: Hierarchical Reasoning and Diffusion for Egocentric Vision-Language Motion Generation [74.07852250099559]
  Egocentric Vision-Language (Ego-VL) モーション生成について検討する。 本課題は,1対1の視覚的観察と自然言語の指示を併用した3次元人間の動作を合成することである。 この課題に対処するために,階層型生成フレームワーク textbfEgoMotion を提案する。
  論文  参考訳（メタデータ） (2026-04-21T05:31:06Z)
• EgoForge: Goal-Directed Egocentric World Simulator [26.712565464146937]
  EgoForgeはゴール指向の世界シミュレータで、最小限の静的入力から一対一のビデオロールアウトを生成する。 VideoDiffusionNFTは、拡散サンプリング中の目標完了、時間的因果性、シーンの一貫性、知覚的忠実度を最適化する軌道レベルの報酬誘導改良である。
  論文  参考訳（メタデータ） (2026-03-20T17:46:55Z)
• SteadyDancer: Harmonized and Coherent Human Image Animation with First-Frame Preservation [50.792027578906804]
  本稿では,高調波とコヒーレントなアニメーションを実現するR2V(Image-to-Video)パラダイムベースのフレームワークであるSteadyDancerを紹介する。 実験により,SteadyDancerは外観の忠実さとモーションコントロールの両方において最先端の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-24T17:15:55Z)
• Attentive and Contrastive Learning for Joint Depth and Motion Field Estimation [76.58256020932312]
  単眼視システムからシーンの3次元構造とともにカメラの動きを推定することは複雑な作業である。 モノクロ映像からの3次元物体運動場推定のための自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-13T16:45:01Z)

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。