論文の概要: Kuration SDK: Addressing the Virtual2Real Gap via Data Curation

• arxiv url: http://arxiv.org/abs/2610.09305v1
• Date: Wed, 07 Oct 2026 02:03:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.677959
• Title: Kuration SDK: Addressing the Virtual2Real Gap via Data Curation
• Title（参考訳）: Kuration SDK: データキュレーションによるVirtual2Realギャップへの対処
• Abstract要約: ドメインおよびタスクに依存しないアクション条件のワールドモデルトレーニングでは、既存のベンチマークは限られた信号を提供する。 CounterStrike のゲームプレイデータを用いた拡散世界モデルのトレーニングと評価により,FVD,LPIPS,JEDi などの指標と質的なプレイ性が一致しないことを確認した。 我々は、Kuration SDKと呼ばれる物理AIデータキュレーションのためのいくつかのキュレーション戦略と汎用キットを提示する。
• 参考スコア（独自算出の注目度）: 0.30538335356532603
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Benchmarks for measuring the quality of action-conditioned world models are still evolving and shifting away from visual similarity-based metrics to action-semantic and physically-grounded metrics. However, for domain and task-agnostic action-conditioned world model training, existing benchmarks provide a limited signal. By training and evaluating diffusion world models on CounterStrike gameplay data, we confirm that qualitative playability does not correspond with metrics such as FVD, LPIPS, and JEDi. We term this the Virtual2Real gap. We posit that, in lieu of reliable benchmarks, curating raw gameplay data and measuring a variety of diagnostic properties provides a more robust signal to bridge the gap, before the training even begins. We present several curation strategies and a general-purpose kit for physical AI data curation called Kuration SDK, which is being open-sourced with this paper. The SDK was instrumental in uncovering the root cause of the virtual2real gap in a specific case: why two world models trained on identical gameplay map, action and state distribution, behaved very differently when played in spite of having very similar LPIPS and FVD scores. Thus, Kuration SDK has the potential to uncover the root causes of Virtual2Real gap in specific datasets and accelerate development of sample-efficient training datasets.
• Abstract（参考訳）: アクション条件付き世界モデルの品質を測定するベンチマークはまだ進化を続けており、視覚的類似性に基づくメトリクスからアクションセマンティックな、物理的に接地されたメトリクスへとシフトしている。 しかし、ドメインやタスクに依存しないアクション条件のワールドモデルトレーニングでは、既存のベンチマークは限られた信号を提供する。 CounterStrike のゲームプレイデータを用いた拡散世界モデルのトレーニングと評価により,FVD,LPIPS,JEDi などの指標と質的なプレイ性が一致しないことを確認した。 これをVirtual2Realギャップと呼んでいます。 信頼性の高いベンチマークの代わりに、生のゲームプレイデータをキュレートし、様々な診断特性を測定することで、トレーニングが始まる前にギャップを埋めるより堅牢な信号が得られると仮定する。 本稿では,いくつかのキュレーション戦略と,Kuration SDKと呼ばれる物理AIデータキュレーションのための汎用キットについて紹介する。 このSDKは、ゲームプレイマップ、アクション、状態分布で訓練された2つの世界モデルが、LPIPSとFVDのスコアに非常に似ているにもかかわらず、プレイ時に非常に異なる振る舞いをした、特定のケースにおける仮想的2リアルギャップの根本原因を明らかにするのに役立った。 これにより、Kuration SDKは、特定のデータセットにおけるVirtual2Realギャップの根本原因を明らかにし、サンプル効率のよいトレーニングデータセットの開発を加速する可能性がある。

関連論文リスト

• Pixels to Keys: Exploring Spatial and Motion Cues in Gameplay Inverse Dynamics [5.238180146550318]
  フレームから入力を推測する逆ダイナミクスモデル (IDM) が提案されている。 空間運動特徴がIMMの結果に与える影響を評価するために,データ制約シナリオにおける問題を考察した。 同じアーキテクチャとトレーニングのレシピをCyberpunk 2077に適用すると、ゲームメカニック間の不均一なパフォーマンスが明らかになる。
  論文  参考訳（メタデータ） (2026-09-29T16:04:28Z)
• Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
  本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。 この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
  論文  参考訳（メタデータ） (2026-09-07T15:16:15Z)
• High-Fidelity Digital Twins for Bridging the Sim2Real Gap in LiDAR-Based ITS Perception [3.1508266388327324]
  本稿では,実世界の背景形状,レーンレベルの道路トポロジ,センサ固有の仕様と配置を組み込んだ高忠実なディジタルツイン(HiFi DT)フレームワークを提案する。 実験の結果、DT訓練モデルでは、実際のデータでトレーニングされた同等のモデルを4.8%上回る結果が得られた。
  論文  参考訳（メタデータ） (2025-09-03T00:12:58Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• JiSAM: Alleviate Labeling Burden and Corner Case Problems in Autonomous Driving via Minimal Real-World Data [49.2298619289506]
  本稿では,ジッタリング強化,ドメイン認識バックボーン,メモリに基づくセクタライズAlignMentのためのJiSAMというプラグイン・アンド・プレイ手法を提案する。 有名なADデータセットであるNuScenesで実施された広範な実験において、SOTA 3Dオブジェクト検出器を用いて、JiSAMはシミュレーションデータと2.5%の実データにラベルを付けるだけで、実データで訓練されたモデルに匹敵する性能が得られることを示した。
  論文  参考訳（メタデータ） (2025-03-11T13:35:39Z)
• Assessing Quality Metrics for Neural Reality Gap Input Mitigation in Autonomous Driving Testing [2.194575078433007]
  自動走行システム(ADS)のシミュレーションベースのテストは業界標準であり、現実世界のテストに対する制御され、安全で費用対効果の高い代替手段である。 これらの利点にもかかわらず、仮想シミュレーションは画像の忠実さ、テクスチャ表現、環境の正確さといった現実世界の状態を正確に再現することができないことが多い。 これは、シミュレートされたドメインと実世界のドメイン間のADSの挙動に大きな違いをもたらす可能性がある。 研究者は、画像から画像へのニューラルトランスレーション(I2I)を使用して、シミュレートされた環境のリアリズムを高め、合成データをより本物にすることで、シミュレートされた環境のリアリズムを高めた。
  論文  参考訳（メタデータ） (2024-04-29T10:37:38Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• Extending the WILDS Benchmark for Unsupervised Adaptation [186.90399201508953]
  We present the WILDS 2.0 update, which extends 8 of the 10 datasets in the WILDS benchmark of distribution shifts to include curated unlabeled data。 これらのデータセットは、組織学から野生生物保護まで幅広い応用、タスク(分類、回帰、検出)、モダリティにまたがる。 ドメイン不変量や自己学習,自己管理など,ラベルのないデータを活用する最先端の手法を体系的にベンチマークする。
  論文  参考訳（メタデータ） (2021-12-09T18:32:38Z)

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。