論文の概要: TrafficImag: A Benchmark for Counterfactual Roadside Traffic Video Generation

• arxiv url: http://arxiv.org/abs/2609.30722v1
• Date: Fri, 25 Sep 2026 02:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.193137
• Title: TrafficImag: A Benchmark for Counterfactual Roadside Traffic Video Generation
• Title（参考訳）: TrafficImag: 事実上の道路脇の交通ビデオ生成のためのベンチマーク
• Abstract要約: 本稿では,道路側トラヒックビデオ生成のための最初のベンチマークであるTrafficImagを紹介する。 TrafficImagは大規模なロードサイドデータセットと、行動推論、介入対応の画像編集、条件付きビデオ生成をサポートする実行可能なプロトコルを組み合わせる。 TrafficImagは、初期状態の正当性、経路と行動の正当性、相互作用の整合性、非目標保存の4つの相補的妥当性を評価する。
• 参考スコア（独自算出の注目度）: 4.22181170705916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing roadside traffic datasets support perception, forecasting, and visual question answering, but they do not evaluate counterfactual video generation, in which a selected actor is modified and the generated future should remain consistent with road topology and unrelated traffic. We introduce TrafficImag, the first benchmark for counterfactual roadside traffic video generation. TrafficImag combines a large-scale roadside dataset (9,022 annotated images, 7,043 deduplicated video clips, and 31,145 actor-centered history-future samples) with an executable protocol that supports behavior reasoning, intervention-aware image editing, and conditional video generation. Each intervention is represented as an actor-level program describing the target actor, intended behavior, legal route, interaction order, and temporal constraints, enabling a unified evaluation interface across heterogeneous foundation models. TrafficImag evaluates four complementary validity dimensions: initial-state correctness, route and behavior validity, interaction consistency, and non-target preservation, and considers an end-to-end counterfactual successful only when all four are satisfied. Across state-of-the-art foundation models, the strongest reasoner reaches 80.4% macro F1, the complete condition interface raises end-to-end success from 23.3% to 55.0% for the best generator. Oracle studies further show that conditional video execution is the primary remaining bottleneck. TrafficImag provides a reproducible benchmark for evaluating and diagnosing counterfactual traffic video generation beyond perceptual video quality.
• Abstract（参考訳）: 既存の道路交通データセットは、知覚、予測、視覚的質問応答をサポートするが、選択されたアクターが修正され、生成された未来が道路トポロジと無関係なトラフィックと整合する反ファクトなビデオ生成を評価できない。 本稿では,道路側トラヒックビデオ生成のための最初のベンチマークであるTrafficImagを紹介する。 TrafficImagは、大規模なロードサイドデータセット(9,022の注釈付き画像、7,043の重複したビデオクリップ、31,145のアクター中心の履歴未来サンプル)と、振る舞い推論、介入認識画像編集、条件付きビデオ生成をサポートする実行可能なプロトコルを組み合わせる。 各介入は、ターゲットアクター、意図された行動、法的経路、相互作用順序、時間的制約を記述するアクターレベルのプログラムとして表現され、異種基礎モデル間の統一的な評価インターフェースを可能にする。 TrafficImagは、初期状態の正当性、経路と行動の正当性、相互作用の整合性、非目標保存の4つの相補的妥当性を評価し、すべての4つが満たされた場合に限り、エンドツーエンドの対実的成功を考える。 最先端の基礎モデル全体で、最強の推論器は80.4%のマクロF1に達し、完全な条件インターフェースは、最高のジェネレータに対して23.3%から55.0%まで、エンドツーエンドの成功率を高める。 Oracleの研究は、条件付きビデオ実行が主要なボトルネックであることを示している。 TrafficImagは、対実的なトラフィックビデオ生成を知覚的なビデオ品質を超えて評価し、診断するための再現可能なベンチマークを提供する。

関連論文リスト

• OmniTraffic: A Controllable Generation Pipeline and Benchmark for Spatio-Temporal Traffic Reasoning [47.85568621735744]
  トラフィック推論のための制御可能なパイプライン生成とベンチマークであるOmniTrafficを紹介した。 現実世界の12の交差点に建設され、2つの国の監視映像によって再建されている。 シーン認識、多視点、時間的推論、意思決定支援にまたがる3段階のタスク階層を定義する。
  論文  参考訳（メタデータ） (2026-06-14T11:16:53Z)
• VideoScore2: Think before You Score in Generative Video Evaluation [69.43069741467603]
  VideoScore2は、視覚的品質、テキスト・ツー・ビデオのアライメント、物理的/常識的一貫性を明確に評価する多次元、解釈可能、そして人間によるアライメントフレームワークである。 我々のモデルは、27,168人の注釈付きビデオを含む大規模なデータセットVideoFeedback2で訓練されている。
  論文  参考訳（メタデータ） (2025-09-26T18:09:03Z)
• Road Obstacle Video Segmentation [71.92123495914892]
  連続フレームのセグメンテーションマップは強く相関しているため,道路・障害物のセグメンテーションタスクは本質的に時間的であることを示す。 提案手法は、長距離ビデオシーケンスのための道路障害物ビデオセグメント化における最先端技術を確立している。
  論文  参考訳（メタデータ） (2025-09-16T15:34:43Z)
• Versatile Transition Generation with Image-to-Video Diffusion [89.67070538399457]
  本稿では,スムーズで高忠実でセマンティックにコヒーレントな動画遷移を生成できるVersatile Transitionビデオ生成フレームワークを提案する。 我々は,VTGが4つのタスクすべてにおいて,優れた遷移性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-08-03T10:03:56Z)
• InterAct-Video: Reasoning-Rich Video QA for Urban Traffic [21.849445040376537]
  ディープラーニングは、質問応答(VideoQA)モデルを通じて、高度なビデオベースのトラフィック監視を実現する。 既存のVideoQAモデルは、現実世界の交通シーンの複雑さに悩まされている。 InterAct VideoQAは、トラフィック監視タスクのためのVideoQAモデルをベンチマークし、拡張するために設計された、キュレートされたデータセットである。
  論文  参考訳（メタデータ） (2025-07-19T20:30:43Z)
• FARSEC: A Reproducible Framework for Automatic Real-Time Vehicle Speed Estimation Using Traffic Cameras [14.339217121537537]
  ナビゲーションやロジスティクスなどの交通依存システムは、信頼性の高い速度推定の恩恵を受ける可能性がある。 我々は,公共交通カメラのより多様なデータに対処する,自動リアルタイム車両速度計算のための新しいフレームワークを提供する。 我々のフレームワークは、カメラの動きや異なるビデオストリーム入力などの現実的な条件を自動で処理できる。
  論文  参考訳（メタデータ） (2023-09-25T19:02:40Z)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• Understanding Road Layout from Videos as a Whole [82.30800791500869]
  我々はこれをトップビューの道路属性予測問題として定式化し、その目的は各フレームの属性を正確かつ一貫して予測することである。 我々は、ビデオにおけるカメラモーションの活用と、長期ビデオ情報の導入という3つの新しい側面を生かした。
  論文  参考訳（メタデータ） (2020-07-02T00:59:15Z)

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。