論文の概要: CrossTimeEdit: A Decade-Spanning Cross-View Dataset and Reward-Guided Editing for Historical Street-View Generation

• arxiv url: http://arxiv.org/abs/2609.36616v1
• Date: Tue, 29 Sep 2026 03:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.154381
• Title: CrossTimeEdit: A Decade-Spanning Cross-View Dataset and Reward-Guided Editing for Historical Street-View Generation
• Title（参考訳）: CrossTimeEdit: 歴史的ストリートビュー生成のための10年にわたるクロスビューデータセットとリワードガイド編集
• Abstract要約: 歴史的ストリートビューのイメージは都市の発展を記録しているが、不均一な報道は歴史的記録にかなりのギャップを残している。 VIGOR-hisは3大陸11都市に43,653個の位置レベル四重項を含む10年規模のクロスビューデータセットである。 VIGOR-hisに基づいて,歴史的ストリートビュー生成を編集として再構成するモデルであるCrossTimeEditを提案する。
• 参考スコア（独自算出の注目度）: 9.495294563367953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Historical street-view imagery records urban evolution, but uneven coverage leaves substantial gaps in historical records. Generating plausible past appearances requires restoring changed structures while preserving persistent scene content. We construct VIGOR-his, a decade-spanning cross-view dataset containing 43,653 location-level quadruplets across 11 cities on three continents. Its automated pipeline performs spatial pairing, consistency screening, change classification, and the generation and validation of satellite-based change descriptions and local editing instructions. Based on VIGOR-his, we propose CrossTimeEdit, a model that reformulates historical street-view generation as editing, using recent street views to constrain viewpoint and unchanged appearance and temporal satellite differences as change evidence. Starting from FLUX.2 [Klein] 4B, we train CrossTimeEdit through supervised fine-tuning (SFT) followed by online reinforcement learning (RL). We design three street-view editing criteria, namely Instruction Alignment (IA), Background Preservation (BP), and Quality and Physical Plausibility (QP), as both RL reward dimensions and evaluation metrics. We optimize this multi-reward objective using Within Group Relative Policy Optimization for flow-matching models (Flow-GRPO) with Group reward-Decoupled Normalization Policy Optimization (GDPO), which normalizes each reward dimension before aggregation. CrossTimeEdit improves overall performance across the three editing criteria by 17.12\% over the pretrained baseline and outperforms cross-view generation models in scene consistency, visual realism, and perceptual quality. The implementation code, dataset, and model weights are available at https://luhanwen67.github.io/CrossTimeEdit-release/.
• Abstract（参考訳）: 歴史的ストリートビューのイメージは都市の発展を記録しているが、不均一な報道は歴史的記録にかなりのギャップを残している。 妥当な過去の外観を生成するには、永続的なシーンコンテンツを保持しながら、変化した構造を復元する必要がある。 VIGOR-hisは3大陸11都市に43,653個の位置レベル四重項を含む10年規模のクロスビューデータセットである。 自動パイプラインは、空間的ペアリング、整合性スクリーニング、変更分類、衛星ベースの変更記述の生成と検証、およびローカル編集命令を実行する。 VIGOR-hisに基づくCrossTimeEditは,過去の街路ビュー生成を編集として再構成するモデルである。 FLUX.2[Klein] 4Bから、教師付き微調整(SFT)とオンライン強化学習(RL)を通じてCrossTimeEditを訓練する。 我々は,RL報酬次元および評価指標として,教示調整(IA),背景保存(BP),品質・物理的可視性(QP)の3つのストリートビュー編集基準を設計する。 我々は,フローマッチングモデル (Flow-GRPO) とグループ報酬デカップリング正規化ポリシー最適化 (GDPO) を併用したフローマッチングモデル (Flow-GRPO) に対して,グループ相対ポリシー最適化を用いて,このマルチリワード目標を最適化する。 CrossTimeEditは、トレーニング済みのベースラインよりも17.12\%向上し、シーンの一貫性、視覚リアリズム、知覚品質でクロスビュー生成モデルを上回っている。 実装コード、データセット、モデルウェイトはhttps://luhanwen67.github.io/CrossTimeEdit-release/で公開されている。

関連論文リスト

• AdaptVPR: Route-Aware Hard Positive Generation for Robust Visual Place Recognition [22.875931198310724]
  ビジュアルプレース認識(VPR)は、同じまたは近くのデータベースイメージを取得することで、クエリ画像をローカライズする。 ひとつの要因は、既存のトレーニングデータにおいて、同じ場所の外観の多様性が制限されていることだ。 本稿では、ロバストなVPRトレーニングのために、同一位置のハードポジティクスを構築するルート認識型生成拡張フレームワークAdaptVPRを提案する。
  論文  参考訳（メタデータ） (2026-09-03T18:34:17Z)
• Rubrics as Visual-Repair Context for Self-Evolving UI-to-Code Generation [147.1183324267404]
  ローカルコード編集は、レイアウト、スタイル、コンポーネントの依存関係を通じて伝搬し、以前は忠実だった領域を劣化させながら、1つの視覚的ミスマッチを修正する。 本稿では,視覚フィードバックを構造化された視覚再生コンテキストとして表現するために,ルーブリックを用いたルーブリック誘導フレームワークであるRubSEを紹介する。 RubSEは最終ラウンドおよび最高ラウンド設定での自己進化を著しく上回り、より安定した改良とより高い軌道レベルの性能天井を実現する。
  論文  参考訳（メタデータ） (2026-08-25T07:03:46Z)
• Sparkle: Realizing Lively Instruction-Guided Video Background Replacement via Decoupled Guidance [54.34473644733862]
  背景の置き換えは、映画制作や広告といったクリエイティブな応用の中心である。 背景の置き換えは、完全に新しい、時間的に一貫したシーンを必要とし、正確な前景と背景の相互作用を維持する。 Sparkleは5つのバックグラウンド変更テーマにまたがる140Kビデオペアのデータセットである。
  論文  参考訳（メタデータ） (2026-05-07T16:35:34Z)
• Trust Your Critic: Robust Reward Modeling and Reinforcement Learning for Faithful Image Editing and Generation [67.26349227500084]
  現在の報酬モデルは、強化学習の時に批評家として機能し、しばしば幻覚に悩まされ、うるさいスコアを割り当てる。 我々は、忠実な画像生成と編集のための正確で信頼性の高いガイダンスを提供するために、堅牢な報酬モデルを開発する包括的フレームワークFIRMを提案する。 FIRMは幻覚を緩和し、既存の一般的なモデルに対する忠実さと命令順守の新しい標準を確立した。
  論文  参考訳（メタデータ） (2026-03-12T17:57:21Z)
• TALO: Pushing 3D Vision Foundation Models Towards Globally Consistent Online Reconstruction [57.46712611558817]
  3次元視覚基礎モデルでは、1つのフィードフォワードパスを通して、未校正画像からキー3D属性を再構成する際の強力な一般化が示されている。 近年の戦略は,グローバルトランスフォーメーションの解決によって連続的な予測と整合するが,本分析では,仮定の妥当性,局所的なアライメント範囲,雑音的幾何の下でのロバスト性といった基本的な限界を明らかにしている。 本研究では,グローバルに伝播する制御点を利用して空間的に異なる不整合を補正する,Tin Plate Splineに基づく高DOFおよび長期アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-02T02:22:20Z)
• 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)
• From Editor to Dense Geometry Estimator [77.21804448599009]
  密度幾何予測のための拡散変換器(DiT)アーキテクチャに基づく高度な編集モデルを適用するフレームワークである textbfFE2E を紹介する。 FE2EはETH3Dデータセットで35%以上のパフォーマンス向上を実現し、100$times$データでトレーニングされたDepthAnythingシリーズを上回っている。
  論文  参考訳（メタデータ） (2025-09-04T15:58:50Z)
• The City that Never Settles: Simulation-based LiDAR Dataset for Long-Term Place Recognition Under Extreme Structural Changes [12.113359511916446]
  大規模な建設と解体は、長期的な場所認識に大きく挑戦する。 既存のデータセットは、主に限定的または屋内的な変更を反映している。 CARLAシミュレータを用いて作成したシミュレーションベースのデータセットであるCity that Never Settlesデータセットを紹介する。
  論文  参考訳（メタデータ） (2025-05-08T09:16:01Z)
• Transform-Equivariant Consistency Learning for Temporal Sentence Grounding [66.10949751429781]
  ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。 私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。 特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
  論文  参考訳（メタデータ） (2023-05-06T19:29:28Z)

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。