論文の概要: OneFixer: High-Quality and Consistent One-Step Autoregressive 3DGS Refinement for Driving Scenes
- arxiv url: http://arxiv.org/abs/2609.32175v1
- Date: Sat, 26 Sep 2026 02:53:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 19:15:25.317812
- Title: OneFixer: High-Quality and Consistent One-Step Autoregressive 3DGS Refinement for Driving Scenes
- Title（参考訳）: OneFixer:高画質で一段のオートレグレッシブ3DGSによる運転シーンのリファインメント
- Abstract要約: OneFixerは、1つのタスク固有の適応ステージでトレーニングされた1ステップの自己回帰型ビデオ拡散固定器である。
1ステップでFVD、LPIPS、DITSが最下位となり、時間的整合性マッチングや多段DMDパイプラインを超える。
ドライビングポリシによるクローズドループシミュレーションでは、OneFixerは生の3DGSレンダリングと比較して衝突率を3分の1削減する。
- 参考スコア（独自算出の注目度）: 7.606218327921776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autoregressive video diffusion is a promising render-time fixer for 3D Gaussian Splatting (3DGS) in autonomous-driving simulation, but deployment demands high visual quality and temporal consistency at low latency. This is especially hard for one-step causal generation, where each imperfect prediction immediately becomes context for subsequent frames. Existing approaches stabilize rollouts through staged training with multiple modules and rollout-aware regularization, yet one-step quality still falls short of what deployment requires. We introduce OneFixer, a one-step autoregressive video-diffusion fixer trained in a single task-specific adaptation stage. Our key idea is a deployment-matched shared rollout: the model's own one-step predictions serve as the causal context for flow matching, exposing training to deployment-time errors, while the same rollout receives direct pixel-space perceptual supervision to preserve fine detail. Because the predictions optimized for current-frame quality are exactly those reused as future context, fidelity and autoregressive robustness are learned jointly, without bidirectional-to-causal conversion or teacher-student distillation. OneFixer further exploits cues that driving simulation readily provides, lane geometry and dynamic-agent states, to improve geometric fidelity. On Waymo and proprietary driving scenes with 900-frame rollouts, OneFixer achieves the lowest FVD, LPIPS, and DISTS among all baselines at one step, with temporal consistency matching or exceeding multi-stage DMD pipelines. Under identical backbone and conditioning, it matches a multi-stage DMD-with-Self-Forcing pipeline in under half the GPU-hours and keeps improving beyond its plateau. In closed-loop simulation with a driving policy, OneFixer reduces the collision rate by a third relative to raw 3DGS rendering. Project page: https://onefixer-web.vercel.app/
- Abstract（参考訳）: 自動回帰ビデオ拡散は、自律走行シミュレーションにおける3Dガウススプラッティング(3DGS)のための有望なレンダリングタイムフィクスラーである。
これは特に1ステップの因果生成では困難であり、各不完全な予測がすぐに後続のフレームのコンテキストとなる。
既存のアプローチでは、複数のモジュールによる段階的なトレーニングとロールアウト対応の正規化を通じてロールアウトを安定化しているが、それでも1ステップの品質は、デプロイに必要なものより低い。
1段階の自己回帰型ビデオ拡散固定器であるOneFixerを1つのタスク固有の適応ステージで訓練した。
モデル自身のワンステップ予測は、フローマッチングの因果コンテキストとして機能し、デプロイメント時のエラーにトレーニングを公開します。
現在のフレーム品質に最適化された予測は、まさに将来的な文脈として再利用されるため、双方向変換や教師による蒸留なしに、忠実性と自己回帰的堅牢性は共同で学習される。
OneFixerはさらに、運転シミュレーションが容易に車線幾何学や動的エージェント状態を提供し、幾何学的忠実性を改善するための手がかりを活用している。
Waymoと900フレームのロールアウトを持つプロプライエタリな運転シーンでは、OneFixerは、時間的整合性マッチングまたは多段DMDパイプラインを越えながら、すべてのベースラインの中で最低のFVD、LPIPS、disTSを達成している。
バックボーンとコンディショニングは同じで、GPU時間の半分以下でマルチステージのMDD-with-Self-Forcingパイプラインと一致し、高原を超えて改善が続けられている。
ドライビングポリシによるクローズドループシミュレーションでは、OneFixerは生の3DGSレンダリングと比較して衝突率を3分の1削減する。
プロジェクトページ: https://onefixer-web.vercel.app/
関連論文リスト
- CausalDrive: Real-time Causal World Models for Autonomous Driving [60.66609721457312]
制御可能でリアルタイムなファンデーション駆動の世界であるCausalDriveを紹介します。
CaulDriveは、最初のフロントビューフレーム、エゴ車両の軌道、マクロテキストプロンプトのみで動作する。
本稿では,(1)衝突アーティファクトを著しく緩和した生成的クローズループ評価,(2)ビデオ2Rewardモジュールによる大規模強化学習(RL)後トレーニング,(3)リアルタイムの人間-イン-ザ・ループシミュレーション,の3つのダウンストリームアプリケーションにおける汎用性を実証する。
論文 参考訳（メタデータ） (2026-06-13T15:04:44Z) - Causal Forcing++: Scalable Few-Step Autoregressive Diffusion Distillation for Real-Time Interactive Video Generation [50.55853275866995]
リアルタイムのインタラクティブなビデオ生成には、低レイテンシ、ストリーミング、コントロール可能なロールアウトが必要である。
本稿では,フレームワイドの自己回帰を1～2ステップのサンプリングで行うという,よりアグレッシブな設定について検討する。
原理的かつスケーラブルなパイプラインである textbfCausal Forcing++ を提案する。
論文 参考訳（メタデータ） (2026-05-14T17:46:36Z) - One World, Dual Timeline: Decoupled Spatio-Temporal Gaussian Scene Graph for 4D Cooperative Driving Reconstruction [24.030187603322076]
4次元協調運転再建のためのDust (Deco Upled Spatio-Temporal) Gaussian Scene Graphを提案する。
DUSTは最先端の性能を達成し、最強ベースラインよりも3.2dBのダイナミック領域PSNRを改善する。
DUSTは時間的非同期性を維持しながら,Fréchet Video Distanceを37.7%削減することを示す。
論文 参考訳（メタデータ） (2026-05-08T15:48:57Z) - FlowS: One-Step Motion Prediction via Local Transport Conditioning [3.883772843505009]
ローカルトランスポートコンディショニングは、安全クリティカルな自律性のために一段階の生成動作予測を実践する。
FlowSは75のアンサンブルを持つ最先端のSoft mAP (0.4804)とmAP (0.4703)を単一ステップ推論で調整する。
論文 参考訳（メタデータ） (2026-04-28T19:06:06Z) - Salt: Self-Consistent Distribution Matching with Cache-Aware Training for Fast Video Generation [27.698320788533405]
軌道式整合蒸留(DMD)は、鋭いモード探索サンプルを回収することができるが、その局所的な訓練信号は、時間経過で更新がどのように構成されるかを明確に定めていない。
本稿では,連続的なデノナイジング更新の終端一致合成を明示的に規則化する自己持続分布マッチング蒸留(SC-DMD)を提案する。
論文 参考訳（メタデータ） (2026-04-03T15:43:21Z) - Astrolabe: Steering Forward-Process Reinforcement Learning for Distilled Autoregressive Video Models [58.3184497327891]
蒸留自己回帰(AR)ビデオモデルは、効率的なストリーミング生成を可能にするが、しばしば人間の視覚的嗜好に反する。
蒸留ARモデルに適した効率的なオンライン強化学習フレームワークであるAstrolabeを提案する。
論文 参考訳（メタデータ） (2026-03-17T18:32:18Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion [67.94300151774085]
本稿では,自己回帰ビデオ拡散モデルのための新しい訓練パラダイムであるSelf Forcingを紹介する。
露光バイアスの長年の問題に対処し、地道的な文脈で訓練されたモデルは、自身の不完全な出力で条件付けられたシーケンスを生成する必要がある。
論文 参考訳（メタデータ） (2025-06-09T17:59:55Z)
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。