論文の概要: GeoWM: Efficient Direct World Modeling in Explicit Geometry

• arxiv url: http://arxiv.org/abs/2610.07381v1
• Date: Mon, 05 Oct 2026 20:52:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.659067
• Title: GeoWM: Efficient Direct World Modeling in Explicit Geometry
• Title（参考訳）: GeoWM: 明示幾何学における効率的な直接世界モデリング
• Abstract要約: GeoWMは、特定の将来の地平線で将来の風景幾何学を直接予測する幾何学世界モデルである。 その結果,GeoWMは世界モデルよりも深度,カメラポーズ,3次元シーン形状を予測できることがわかった。
• 参考スコア（独自算出の注目度）: 9.9795067033694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling 3D scene geometry and its evolution over time is essential for autonomous driving and robotics. A common paradigm is to use world models to predict future images or latent representations of the environment and subsequently recover geometry from these predictions. However, this paradigm does not explicitly model geometric structure and typically relies on recursive rollouts to reach longer prediction horizons, leading to error accumulation and increasing computational cost. To address these limitations, we present GeoWM, a geometry world model that directly forecasts future scene geometry at specified future horizons without recursive rollout. The key idea is to leverage a geometry foundation model to transform observed RGB frames into a geometric history, which conditions a flow-matching transformer to predict the scene geometry at a specified future horizon. We further show that a lightweight camera-motion predictor can accurately estimate the future viewpoint, and that projecting the observed geometry into the predicted viewpoint provides an effective geometric prior for future geometry forecasting. Extensive experiments on four datasets spanning urban driving, aerial flight, and dynamic manipulation demonstrate that GeoWM outperforms the evaluated world models in forecasting depth, camera pose, and 3D scene geometry, while substantially reducing inference time at longer horizons.
• Abstract（参考訳）: 3Dシーンの形状と時間の経過とともに進化をモデル化することは、自動運転とロボット工学にとって不可欠である。 一般的なパラダイムは、世界モデルを使用して将来の画像や環境の潜在表現を予測し、その後、これらの予測から幾何を復元することである。 しかしながら、このパラダイムは幾何構造を明示的にモデル化するものではなく、典型的にはより長い予測地平線に到達するために再帰的なロールアウトに依存し、エラーの蓄積と計算コストの増大につながる。 このような制約に対処するため,GeoWMは,再帰的なロールアウトを伴わずに,特定の将来の地平線で将来の風景形状を直接予測する幾何学的世界モデルである。 鍵となる考え方は、幾何学基礎モデルを利用して観測されたRGBフレームを幾何学史に変換することである。 さらに、軽量カメラモーション予測器は、将来の視点を正確に推定でき、観測された幾何学を予測された視点に投影することは、将来の幾何学予測に有効な幾何学的事前を提供することを示す。 都市交通、航空飛行、ダイナミックな操作を対象とする4つのデータセットの大規模な実験により、GeoWMは、予測深度、カメラポーズ、および3次元シーン形状において評価された世界モデルよりも優れ、より長い地平線での推論時間を大幅に短縮することを示した。

関連論文リスト

• GeoWAM: Visual Geometry World Action Models for Autonomous Driving [14.05425826273513]
  自律運転のための視覚幾何学的世界行動モデルである textbfGeoWAM を紹介する。 将来の画像を予測する代わりに、GeoWAMは将来のシーン形状を予測するために事前訓練されている。 幾何条件のアクションヘッドは、これらの学習された幾何学的ダイナミクスを利用して将来のエゴ軌道を予測する。
  論文  参考訳（メタデータ） (2026-08-24T16:49:53Z)
• GeoWorldAD: Geometry World Action Model for Autonomous Driving [45.0114703918243]
  我々は,エゴアライメントされた3次元空間における軌道計画に基づく幾何学的世界行動モデルGeoWorldADを提案する。 現在の幾何学は安全な計画に不可欠な空間的制約を提供するが、将来の幾何学は周囲のエージェントとエゴ中心の自由空間がどのように進化するかを明らかにする。 NAVSIM v1とv2の実験は最先端の性能を示し、明示的な3次元幾何学的接地の有効性を強調した。
  論文  参考訳（メタデータ） (2026-07-20T03:56:07Z)
• Geometric Action Model for Robot Policy Learning [68.6657929619782]
  汎用ロボットポリシーは、オブジェクト、カメラ、ロボットアクションが3D物理世界でどのように相互作用するかを推論しながら、ユーザーの指示に従う必要がある。 最近の視覚言語行動モデル(VLA)とビデオ世界行動モデル(WAM)は、大規模基盤モデルから強い意味や時間的先行を継承する。 本稿では,言語条件の操作ポリシーであるGeometric Action Model (GAM)を提案する。
  論文  参考訳（メタデータ） (2026-06-15T17:58:03Z)
• LiAuto-GeoX: Efficient Grounded Driving Transformer [54.23823436153608]
  デプロイ可能なエゴ中心の3Dシーン理解のための効率的な基底駆動トランスフォーマである textbfLiAuto-GeoX を提案する。 textbfLiAuto-GeoX は KITTI 上で 220 FPS で動作し,高忠実度高密度化を保ち,リアルタイムな展開を実現している。
  論文  参考訳（メタデータ） (2026-06-04T06:58:44Z)
• IVGT: Implicit Visual Geometry Transformer for Neural Scene Representation [76.36174247570716]
  ポーズレス多視点画像から連続的かつ一貫性のある幾何を暗黙的にモデル化するインプリシトビジュアル幾何変換器IVGTを提案する。 IVGTは標準座標系で連続的なニューラルネットワークシーン表現を学習し、任意の3D位置での連続的な空間クエリをサポートする。 連続的かつコヒーレントな表面形状の直接抽出を可能にし、任意の視点からRGB画像、深度マップ、表面正規写像のレンダリングを可能にする。
  論文  参考訳（メタデータ） (2026-05-15T17:59:57Z)
• HERMES++: Toward a Unified Driving World Model for 3D Scene Understanding and Generation [83.31948299340782]
  HERMES++は、単一のフレームワーク内で3Dシーン理解と将来の幾何学的予測を統合する統合駆動世界モデルである。 Hermes++は、将来のクラウド予測と3Dシーン理解タスクの両方において、優れたパフォーマンスと優れたスペシャリストのアプローチを実現している。
  論文  参考訳（メタデータ） (2026-04-30T17:59:58Z)
• GeoWorld: Unlocking the Potential of Geometry Models to Facilitate High-Fidelity 3D Scene Generation [68.02988074681427]
  画像から3Dのシーン生成にビデオモデルを利用する以前の研究は、幾何学的歪みやぼやけた内容に悩まされる傾向にある。 本稿では,幾何学モデルの可能性を解き放つことにより,画像から3次元のシーン生成のパイプラインを再構築する。 我々のGeoWorldは、1つの画像と所定のカメラ軌道から高忠実度3Dシーンを生成することができ、定性的かつ定量的に先行手法より優れている。
  論文  参考訳（メタデータ） (2025-11-28T13:55:45Z)

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。