論文の概要: Scope-WM: Scoped Computation for Efficient Visual World Models
- arxiv url: http://arxiv.org/abs/2609.33218v1
- Date: Sun, 27 Sep 2026 04:57:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 02:06:43.472186
- Title: Scope-WM: Scoped Computation for Efficient Visual World Models
- Title（参考訳）: Scope-WM: 効率的なビジュアルワールドモデルのためのスコープ計算
- Abstract要約: 予測関連潜伏領域と有望なアクションシーケンスを対象とする,効率的なビジュアルワールドモデルであるScope-WMを提案する。
計画中、Scope-WMはMPC検索で発見された高品質なアクションシーケンスを保存、再利用する。
難しいPush-Tタスクでは、Scope-WMはGPUのピークメモリ使用量と計画時間をそれぞれ18.1%、密度の高いDINO-WMの14.3%に削減する。
- 参考スコア（独自算出の注目度）: 7.211563215833475
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual world models enable robotic planning by predicting future observations, but dense latent-state propagation and sample-intensive trajectory optimization incur high inference latency and peak memory usage, limiting real-time deployment on resource-constrained platforms. Existing sparse world-model acceleration methods either rely on unguided token sparsification, which may discard planning-relevant information and restrict achievable sparsity, or introduce heavy auxiliary modules and cumbersome multi-stage training pipelines. In this work, we present Scope-WM, an efficient visual world model that scopes computation to prediction-relevant latent regions and promising action sequences. Scope-WM distills prediction relevance into a lightweight action-conditioned selector and applies full dynamics prediction only to a compact subset of selected tokens. It updates the remaining tokens using a compact summary of foreground states and their changes, allowing the background to perceive foreground dynamics without costly token-to-token interactions. During planning, Scope-WM preserves and reuses high-quality action sequences discovered during the initial MPC search, focusing subsequent search under reduced rollout budgets. The resulting pipeline requires only a one-off selector distillation followed by a single joint training stage for the sparse world model. On the challenging Push-T task, Scope-WM reduces peak GPU memory usage and planning time to $18.1\%$ and $14.3\%$ of those of dense DINO-WM, respectively, corresponding to a $6.97\times$ planning speedup, while maintaining competitive task performance. Further evaluations across five diverse visual planning tasks demonstrate the general applicability of Scope-WM. Code is available at https://github.com/ChunZheng2022/Scope-WM.
- Abstract（参考訳）: ビジュアルワールドモデルは、将来の観測を予測してロボット計画を可能にするが、密度の高い潜在状態伝搬とサンプル集約軌道最適化は、高い推論レイテンシとピークメモリ使用率をもたらし、リソース制約のあるプラットフォームへのリアルタイムデプロイメントを制限する。
既存のスパース・ワールド・モデル・アクセラレーション手法は、無誘導のトークンスペーシフィケーションを頼りにしており、プランニング関連情報を破棄し、達成可能なスペーシ性を制限したり、重い補助モジュールや面倒なマルチステージトレーニングパイプラインを導入したりする。
本研究では,予測関連潜在領域と有望なアクションシーケンスに計算をスコープする,効率的なビジュアルワールドモデルであるScope-WMを提案する。
Scope-WMは、軽量なアクション条件セレクタへの予測関連性を蒸留し、選択されたトークンのコンパクトなサブセットにのみフルダイナミックス予測を適用する。
これは、フォアグラウンド状態とその変更のコンパクトなサマリーを使用して残りのトークンを更新し、コストのかかるトークンとトキンの相互作用なしに背景がフォアグラウンドのダイナミクスを知覚できるようにする。
計画中、Scope-WMはMPC検索で発見された高品質なアクションシーケンスを保存、再利用し、ロールアウト予算の削減に重点を置いている。
結果として得られるパイプラインは1オフセレクタ蒸留のみを必要とし、その後スパースワールドモデルのための単一のジョイントトレーニングステージが提供される。
難しいPush-Tタスクでは、Scope-WMは最大GPUメモリ使用量と計画時間をそれぞれ18.1\%と14.3\%に削減し、競争力のあるタスク性能を維持しながら6.97\times$プランニングスピードアップに対応する。
5つの視覚的計画課題に対するさらなる評価は、Scope-WMの一般的な適用性を示している。
コードはhttps://github.com/ChunZheng2022/Scope-WM.comで公開されている。
関連論文リスト
- SCALE: State-Calibrated Latent Embeddings for JEPA Planning in the Right Geometry [14.742804674497128]
非崩壊表現を得るための2つの戦略は、事前訓練された特徴空間を継承し、非崩壊正則化を用いて埋め込み終端を学習することである。
課題関連情報が存在するかどうかだけでなく,計画者が消費する幾何を形作るかどうかにも依存することを示す。
論文 参考訳（メタデータ） (2026-08-17T08:58:55Z) - Fast LeWorldModel [5.938994204098151]
我々は、繰り返しローカルロールアウトをアクション予測に置き換える高速遅延世界モデルであるFast LeWorldModel(Fast-LeWM)を提案する。
アクションプレフィックスを基本的な予測単位にすることで、Fast-LeWMは複数の水平線上で蓄積されたアクション効果を直接モデル化する。
Fast-LeWMはLeWMよりも平均的な成功を向上し、計画時間を大幅に短縮し、オープンループ遅延損失の低減を実現している。
論文 参考訳（メタデータ） (2026-06-24T17:59:59Z) - GCNGrasp-VP: Affordance-Guided View Planning for Efficient Task-Oriented Grasping [5.388304847250797]
GCNGrasp-VPは、アベイランスフィールド予測とアクティブなビュープランニングを統合した効率的なフレームワークである。
本手法は,一視点調整のみで,シーン不確実性駆動ベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-06-17T13:59:19Z) - TapSampling: Inference-Time Sampling with a Task-Progress-Understanding Verifier for Robotic Manipulation [61.35569005726248]
既存の具体的制御研究は、トレーニングデータとモデルサイズをスケールすることで、顕著なパフォーマンス向上を示す。
拡散や自己回帰モデルのような非決定論的生成モデルは、エンボディドコントロールの分野で広く採用されている。
推測時間サンプリングのためのプラグイン・アンド・プレイフレームワークである textbfTapSampling を提案する。
論文 参考訳（メタデータ） (2026-05-25T08:03:31Z) - DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。
メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。
EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
論文 参考訳（メタデータ） (2026-04-13T03:19:36Z) - Planning in 8 Tokens: A Compact Discrete Tokenizer for Latent World Model [76.30055935418561]
そこで我々は,各観測結果を最大8個のトークンに圧縮し,計算コストを大幅に削減し,計画に必要な情報を保存するためのトークンであるCompACTを提案する。
アクション条件付きワールドモデルは、CompACTトークンライザを占有し、桁違いの高速計画による競合計画性能を達成し、現実世界のワールドモデルの展開に向けた実践的なステップを提供する。
論文 参考訳（メタデータ） (2026-03-05T18:00:02Z) - OmniSAT: Compact Action Token, Faster Auto Regression [70.70037017501357]
我々は、コンパクトで転送可能なアクション表現を学ぶOmni Swift Action Tokenizerを紹介する。
その結果、離散トークン化はトレーニングシーケンスを6.8$times$に短縮し、ターゲットエントロピーを低下させる。
論文 参考訳（メタデータ） (2025-10-08T03:55:24Z) - Masked Temporal Interpolation Diffusion for Procedure Planning in Instructional Videos [32.71627274876863]
本稿では,授業ビデオにおけるプロシージャ計画の課題に対処し,開始と終了の視覚的観察から協調的かつタスクに沿ったアクションシーケンスを生成することを目的とする。
これまでの研究は主に、観察された状態と観察されていない行動の間のギャップを埋めるためにテキストレベルの監督に依存してきたが、行動間の複雑な時間的関係を捉えるのに苦労した。
本研究では,拡散モデル内に潜時空間時間モジュールを導入した仮設仮設時間補間拡散モデルを提案する。
論文 参考訳（メタデータ） (2025-07-04T08:54:59Z) - From Ideal to Real: Unified and Data-Efficient Dense Prediction for Real-World Scenarios [66.57089888022414]
DenseWorldは、緊急な現実世界のアプリケーションに対応する、25の密集した予測タスクの幅広いセットにまたがるベンチマークである。
次に,DenseDiTを提案する。DenseDiTは,生成モデルの視覚的先行性を利用して,統合された戦略により,多種多様な実世界の密集予測タスクを実行する。
DenseDiTは、ベースラインの0.01%未満のトレーニングデータを使用して優れた結果を得る。
論文 参考訳（メタデータ） (2025-06-25T09:40:50Z) - Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。
現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。
本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
論文 参考訳（メタデータ） (2023-10-09T20:32:49Z)
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。