Fugu-MT 論文翻訳(概要): CAST: Reconstruction-Coupled Acceleration of Interactive World Models

論文の概要: CAST: Reconstruction-Coupled Acceleration of Interactive World Models

arxiv url: http://arxiv.org/abs/2609.34144v1
Date: Mon, 28 Sep 2026 02:25:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-04 06:28:51.345164
Title: CAST: Reconstruction-Coupled Acceleration of Interactive World Models
Title（参考訳）: CAST: インタラクティブな世界モデルの再構築と加速
Abstract要約: 本稿では,再構成結合型推論フレームワークであるCASTを紹介する。周波数・信頼度を考慮した位相認識再構成(PAR)によるスキップ残差の再構成比較手法の中で最も高いVBenchスコアを獲得し、13のWorldMark次元のうち7と6で非ネイティブベースラインを導いている。
参考スコア（独自算出の注目度）: 20.354359727588786
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Interactive world models must respond quickly to controls while preserving scene consistency. Existing acceleration methods can miss heterogeneous control responses and spatial transport when recovering skipped features. We observe that interaction-induced feature changes correlate with approximation error, while low-frequency interpolation errors are phase-sensitive and show more predictable phase progression. These findings motivate CAST, a reconstruction-coupled inference framework. CAST selects anchors by interaction sensitivity and cross-layer coverage, reconstructs skipped residuals with frequency- and confidence-aware Phase-Aware Reconstruction (PAR), and coordinates historical KV routing according to downstream reconstruction responsibility. On Matrix-Game 3.0 and HY-World 1.5, CAST achieves 2.15x and 3.48x speedups, respectively, while maintaining visual quality close to Native (Figure 1). It also attains the highest VBench scores among compared methods and leads non-native baselines on seven and six of thirteen WorldMark dimensions, demonstrating a balance of generation speed, visual quality, and interactive responsiveness under real-time control. Code is available at https://github.com/lokiniuniu/CAST.
Abstract（参考訳）: インタラクティブな世界モデルは、シーンの一貫性を維持しながら、コントロールに素早く対応する必要があります。既存の加速度法では、スキップされた特徴を回復する際に異種制御応答や空間輸送を見逃すことがある。干渉による特徴変化は近似誤差と相関するが、低周波補間誤差は位相感受性を持ち、より予測可能な位相進行を示す。これらの知見は再構成結合型推論フレームワークであるCASTを動機付けている。 CASTは、相互作用感度と層間被覆によりアンカーを選択し、周波数と信頼を意識した位相認識再構成(PAR)を用いてスキップされた残基を再構成し、下流再構成の責任に従って歴史的なKVルーティングを調整する。 CASTはMatrix-Game 3.0とHY-World 1.5でそれぞれ2.15倍と3.48倍のスピードアップを達成した。また、比較手法の中で最高のVBenchスコアを獲得し、13のWorldMark次元のうち7、6のネイティブベースラインをリードし、生成速度、視覚的品質、リアルタイム制御下でのインタラクティブな応答性のバランスを示す。コードはhttps://github.com/lokiniuniu/CASTで入手できる。

関連論文リスト

TimeInteract: Towards Real-Time Interactive Intelligence for Streaming Time Series [63.51670715618216]
時系列インタラクション(Time-Series Interaction)は、到着する時系列の観測とユーザ意図を認識し、いつ沈黙するか、応答するかを自律的に決定し、応答生成中に新しい観測処理を継続するモデルである。 StreamTSI-34Kは大規模なストリーミングTSインタラクションデータセットで,34,588エピソードと77,505応答を合成時系列と実時間時系列に1回,複数回設定して構築する。
論文参考訳（メタデータ） (2026-09-22T13:29:03Z)
Accelerating Rectified Flow Models via Trajectory-Aware Caching [35.13071059415995]
我々は,スキップ・then-compensateパラダイムに従って,トレーニング不要なアクセラレーションフレームワークであるTACacheを提案する。 Trajectory-Aware Cacheは、テキスト・ツー・イメージ・ジェネレーションで最大4.14スピードアップ、テキスト・ツー・ビデオ・ジェネレーションで2.11スピードアップを達成する。
論文参考訳（メタデータ） (2026-05-16T03:44:58Z)
TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
論文参考訳（メタデータ） (2026-05-11T13:23:14Z)
Rethinking Event-Based Object Dtection through Representation-Level Temporal Aggregation and Model-Level Hypergraph Reasoning [65.08890312027314]
イベントカメラはマイクロ秒レベルの時間分解能、低レイテンシ、高ダイナミックレンジを提供する。 Event Dual Temporal-Relational Aggregation Detector (Ev-DTAD)は、表現レベルの時間エンコーディングとモデルレベルの時間-ハイパーグラフ推論を統合する。 Ev-DTADは、コンパクトな時間的表現と時間的ハイパーグラフの特徴的推論の相補性を検証し、競争精度と効率のトレードオフを実現する。
論文参考訳（メタデータ） (2026-05-09T09:20:34Z)
FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction [5.827179141989176]
交通モデリングには、大規模なセンサネットワーク上での複雑な時間的ダイナミクスと長距離空間予測が必要である。我々は,統合された状態トラフィック予測のための注意空間モデリングを組み合わせたフレームワークであるFASTを提案する。 FASTは、Transformer-, GNN-, attention-, Mamba-based familyからの強いベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2026-04-15T04:05:10Z)
Spatio-Temporal Token Pruning for Efficient High-Resolution GUI Agents [10.559617160878227]
GUIPrunerは、高解像度のGUIナビゲーションに適したトレーニング不要のフレームワークである。時間分解能(TAR)とSSP(Stratified Structure-Aware Pruning)の相乗効果常に最先端の性能を達成し、高解像度圧縮下での大規模モデルで観測される崩壊を効果的に防止する。
論文参考訳（メタデータ） (2026-02-26T17:12:40Z)
Cross-Modal Reconstruction Pretraining for Ramp Flow Prediction at Highway Interchanges [30.274689865122056]
STDAEは、クロスモーダルな再構築事前トレーニングを利用する2段階のフレームワークである。 STDAE-GWNETは13の最先端ベースラインを一貫して上回っている。このことは、検出器の不足を克服する効果と、様々な予測パイプラインに対するプラグアンドプレイの可能性を示す。
論文参考訳（メタデータ） (2025-10-03T15:26:56Z)
AutoHFormer: Efficient Hierarchical Autoregressive Transformer for Time Series Prediction [36.239648954658534]
時系列予測には、3つの競合する目標を同時に達成するアーキテクチャが必要である。本稿では,これらの課題に対処する階層型自己回帰変換器であるAutoHFormerを紹介する。総合的な実験により、AutoHFormer 10.76XはP08のPatchTSTと比較して高速なトレーニングと6.06倍のメモリ削減を示した。
論文参考訳（メタデータ） (2025-06-19T03:47:04Z)
ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。 Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
論文参考訳（メタデータ） (2025-03-27T16:39:40Z)
SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
論文参考訳（メタデータ） (2025-03-25T17:59:57Z)
Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
論文参考訳（メタデータ） (2023-08-20T18:23:07Z)

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。