論文の概要: OPIS: An Input-Grounded Benchmark for Multi-Object Memory in Video World Models

• arxiv url: http://arxiv.org/abs/2609.35052v1
• Date: Mon, 28 Sep 2026 12:46:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 17:26:21.578149
• Title: OPIS: An Input-Grounded Benchmark for Multi-Object Memory in Video World Models
• Title（参考訳）: OPIS: ビデオワールドモデルにおけるマルチオブジェクトメモリのための入出力ベンチマーク
• Abstract要約: OPISは、オブジェクトインスタンスの固定セットにアセスメントをアンロックする入力基底ベンチマークである。 OPISデータセットは、実世界、エンボディ・ロボティック、ゲームワールドドメインにわたる500のケースで構成されている。 提案するOPISスコアは,8つの画像対ビデオまたはカメラコンディショニングワールドモデルで,48.65から56.01の範囲である。
• 参考スコア（独自算出の注目度）: 24.64228038164697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video world models must preserve the visual state of the world over time, but existing evaluation protocols often rely on generated histories, video reference, or selected revisit viewpoints that can confound the assessment of a model's true memory capability. To address this, we introduce OPIS, an input-grounded benchmark that strictly anchors the assessment to a fixed set of object instances from the initial observation for evaluating multi-object memory in video world models. The OPIS dataset comprises 500 cases across real-world, embodied-robotic, and game-world domains, providing dense object-level annotations for 12,672 rigid, articulated, and deformable instances. Our object-centric evaluator combines association and explicit visibility reasoning to hierarchically measure Object (O) Presence (P), Identity (I), and Structure (S), utilizing static or dynamic evaluation tracks based on object kinematics. Across eight image-to-video or camera-conditioned world models, our proposed OPIS scores range from 48.65 to 56.01. As the reference inventory grows from less than 20 to more than 40 objects, the Presence, Identity, and Structure scores show an overall decline, with the average Identity score falling from 40.22 to 23.11. The results demonstrate that preserving the particular object instances in the input is considerably harder than generating plausible visual elements.
• Abstract（参考訳）: ビデオワールドモデルは、時間とともに世界の視覚的状態を保たなければならないが、既存の評価プロトコルは、しばしば生成された履歴、ビデオ参照、またはモデルの真の記憶能力を評価するために選択された再訪視点に依存している。 これを解決するために,ビデオワールドモデルにおけるマルチオブジェクトメモリ評価のための初期観測から,オブジェクトインスタンスの固定セットに対する評価を厳格に固定する,入力基底ベンチマークOPISを導入する。 OPISデータセットは、現実世界、エンボディ・ロボティック、ゲーム世界のドメインで500のケースで構成され、12,672の厳密なオブジェクトレベルのアノテーションを提供する。 対象中心評価器は、関連性および明示的な可視性推論を組み合わせて、対象(O)存在度(P)、アイデンティティ(I)、構造(S)を階層的に測定し、対象キネマティクスに基づく静的または動的評価トラックを利用する。 提案するOPISスコアは,8つの画像対ビデオまたはカメラコンディショニングワールドモデルで,48.65から56.01の範囲である。 基準在庫が20個未満から40個未満に増加するにつれて、Presence、Identity、Structureのスコアは全体的に低下し、Identityのスコアは40.22から23.11に落ちている。 その結果、入力中の特定のオブジェクトインスタンスを保存することは、可視的な視覚要素を生成するよりもかなり難しいことがわかった。

関連論文リスト

• MemoBench: Benchmarking World Modeling in Dynamically Changing Environments [72.23517478870605]
  MemoBenchは動的に変化する環境において、消失・再出現するパラダイムを中心に構築された診断ベンチマークである。 合成シーンと実世界のシーンにまたがる360度地上トラスクリップをキュレートし,VQAに基づく評価と自動メトリクスを組み合わせた評価スイートを設計する。
  論文  参考訳（メタデータ） (2026-06-25T20:37:39Z)
• ObjectVisA-120: Object-based Visual Attention Prediction in Interactive Street-crossing Environments [15.487686125490812]
  本稿では,オブジェクトに基づく注意評価に特化して,仮想空間における空間横断ナビゲーションの新たなデータセットを提案する。 提示されたデータセットのユニークさは、現実世界の環境における同等のデータ収集を極めて困難にする倫理的および安全に関する課題にある。 本稿では,オブジェクトベースの視覚的注意モデルの性能を評価するための新しい指標として,オブジェクトベース類似度(oSIM)を提案する。
  論文  参考訳（メタデータ） (2026-01-19T16:48:45Z)
• OD-VIRAT: A Large-Scale Benchmark for Object Detection in Realistic Surveillance Environments [1.6997584834278812]
  本稿では,OD-VIRAT Large と OD-VIRAT Tiny という2つのビジュアルオブジェクト検出ベンチマークを提案する。 両ベンチマークのビデオシーケンスは、高度と距離から記録された10の異なる人間の監視シーンをカバーしている。 提案されたベンチマークはバウンディングボックスとカテゴリの豊富なアノテーションを提供しており、OD-VIRAT Largeは599,996イメージに870万のアノテートインスタンスを持ち、OD-VIRAT Tinyは19,860イメージに288,901のアノテートインスタンスがある。
  論文  参考訳（メタデータ） (2025-07-16T16:41:47Z)
• An Object SLAM Framework for Association, Mapping, and High-Level Tasks [12.62957558651032]
  本稿では,オブジェクト指向認識とオブジェクト指向ロボットタスクに焦点を当てた包括的オブジェクトSLAMフレームワークを提案する。 提案したオブジェクトSLAMフレームワークを効率よく評価するために,さまざまな公開データセットと実世界の結果が使用されている。
  論文  参考訳（メタデータ） (2023-05-12T08:10:14Z)
• Segmenting Moving Objects via an Object-Centric Layered Representation [100.26138772664811]
  深層表現を用いたオブジェクト中心セグメンテーションモデルを提案する。 複数のオブジェクトで合成トレーニングデータを生成するスケーラブルなパイプラインを導入する。 標準的なビデオセグメンテーションベンチマークでモデルを評価する。
  論文  参考訳（メタデータ） (2022-07-05T17:59:43Z)
• Benchmarking Unsupervised Object Representations for Video Sequences [111.81492107649889]
  ViMON, OP3, TBA, SCALORの4つのオブジェクト中心アプローチの知覚能力を比較した。 この結果から,制約のない潜在表現を持つアーキテクチャは,オブジェクト検出やセグメンテーション,トラッキングといった観点から,より強力な表現を学習できる可能性が示唆された。 我々のベンチマークは、より堅牢なオブジェクト中心のビデオ表現を学習するための実りあるガイダンスを提供するかもしれない。
  論文  参考訳（メタデータ） (2020-06-12T09:37:24Z)

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。