論文の概要: IntactWorld: Joint World Modeling with Intact Features

• arxiv url: http://arxiv.org/abs/2610.11174v1
• Date: Thu, 08 Oct 2026 03:31:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.767067
• Title: IntactWorld: Joint World Modeling with Intact Features
• Title（参考訳）: IntactWorld: Intact機能を備えたジョイントワールドモデリング
• Abstract要約: IntactWorldは、圧縮されていないtextbfIntact機能を利用するtextbfJoint World Modeling Architectureである。 生の完全な機能を高度に改良されたCRSトークンに置き換えることによって、このパラダイムは効率的な単一ブランチ誘導を可能にし、空間記憶の消費を11.4%削減する。 評価において、IntactWorldはVBench 2.0ベンチマークで確立されたベースラインを2.46ポイント上回った。
• 参考スコア（独自算出の注目度）: 30.19168223202266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While recent video generation models synthesize highly realistic visuals, they lack a genuine understanding of intrinsic real-world logic. Existing methods attempt to understand the world by internalizing diverse world knowledge, yet constrained by computational overhead or dimensionality alignment, their learning processes inevitably compress features, causing a severe loss of structural information. To address this, we propose \textbf{IntactWorld}, a \textbf{Joint World Modeling Architecture} utilizing uncompressed \textbf{Intact Features}. Since data naturally reside on a low-dimensional manifold within a high-dimensional space, predicting the flow velocity $v$ within this uncompressed high-dimensional space induces a severe manifold gap. To successfully eliminate this optimization bottleneck, our framework instead predicts the clean feature $x_0$ at intermediate layers. Furthermore, to mitigate the computational overhead of incorporating complete world knowledge, we introduce a \textit{Full-to-Compact Training Paradigm}. By replacing raw full features with highly refined CLS tokens, this paradigm enables efficient single-branch guidance, reducing spatial memory consumption by 11.4\% and cutting inference latency by 43.8\%. Extensive evaluations demonstrate the effectiveness of IntactWorld, outperforming established baselines by 2.46 points on the VBench 2.0 benchmark.
• Abstract（参考訳）: 最近のビデオ生成モデルは、非常に現実的なビジュアルを合成するが、本質的な現実世界の論理を真に理解していない。 既存の方法は、様々な世界の知識を内在化して世界を理解しようとするが、計算上のオーバーヘッドや次元的アライメントによって制約され、学習プロセスは必然的に特徴を圧縮し、構造情報の深刻な損失を引き起こす。 そこで本稿では,非圧縮型 \textbf{Intact Features を利用した \textbf{Joint World Modeling Architecture} を提案する。 データは自然に高次元空間内の低次元多様体上に存在するので、この非圧縮高次元空間内の流速$v$を予測すれば、重い多様体ギャップが生じる。 この最適化ボトルネックをうまく排除するために、我々のフレームワークは中間層でクリーンな機能である$x_0$を予測します。 さらに,完全な世界知識を取り入れることによる計算オーバーヘッドを軽減するために,‘textit{Full-to-Compact Training Paradigm} を導入する。 生のフル機能を高度に改良されたCRSトークンに置き換えることで、効率的な単一ブランチ誘導を可能にし、空間メモリ消費量を11.4\%削減し、推論遅延を43.8\%削減する。 大規模な評価は、VBench 2.0ベンチマークで確立されたベースラインを2.46ポイント上回るIntactWorldの有効性を示す。

関連論文リスト

• DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
  本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。 メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。 EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
  論文  参考訳（メタデータ） (2026-04-13T03:19:36Z)
• WorldCache: Accelerating World Models for Free via Heterogeneous Token Caching [50.43356949257532]
  拡散ワールドモデルに適したキャッシュフレームワークである textbfWorldCache を提案する。 We show that WorldCache delivers to textbf3.7$times$ end-to-end speedups while maintain textbf98% rollout quality。
  論文  参考訳（メタデータ） (2026-03-06T14:43:47Z)
• Fast-SAM3D: 3Dfy Anything in Images but Faster [65.17322167628367]
  SAM3Dは複雑なシーンからスケーラブルでオープンな3D再構築を可能にする。 textbfFast-SAM3Dは、計算を瞬時生成の複雑さと整合させる、トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-02-05T04:27:59Z)
• Infinite-World: Scaling Interactive World Models to 1000-Frame Horizons via Pose-Free Hierarchical Memory [101.2076718776139]
  複雑な実環境において,1000フレーム以上のコヒーレントな視覚記憶を維持することのできる,堅牢な対話型世界モデルを提案する。 我々は,歴史的潜水剤を固定予算の幾何学的表現に蒸留するpose-free Memory (HPMC)を導入する。 また,連続動作を三状態論理に識別する不確実性認識型アクションラベルモジュールを提案する。
  論文  参考訳（メタデータ） (2026-02-02T17:52:56Z)
• RealD$^2$iff: Bridging Real-World Gap in Robot Manipulation via Depth Diffusion [48.86480272116588]
  雑音深度を合成することを学ぶクリーン・ツー・ノイズのパラダイムを提案する。 本稿では,階層的な粗い拡散フレームワークであるRealD$2$iffを紹介する。 本パラダイムの有効性を示す実証的,実験的な検証を行う。
  論文  参考訳（メタデータ） (2025-11-27T14:36:56Z)
• LoG3D: Ultra-High-Resolution 3D Shape Modeling via Local-to-Global Partitioning [26.88556500272625]
  非符号距離場(UDF)に基づく新しい3次元変分オートエンコーダフレームワークを提案する。 私たちの中心となるイノベーションは、UDFを統一サブボリュームであるUBlockに分割することで処理する、ローカルからグローバルなアーキテクチャです。 再現精度と生成品質の両面での最先端性能を実証し,表面の滑らかさと幾何学的柔軟性を向上した。
  論文  参考訳（メタデータ） (2025-11-13T07:34:43Z)
• SCORE: A 1D Reparameterization Technique to Break Bayesian Optimization's Curse of Dimensionality [0.0]
  この呪文を破り、高次元景観におけるBOの線形時間複雑性を維持するための1次元再パラメータ化手法が提案されている。 SCOREと呼ばれるこの高速でスケーラブルなアプローチは、大域的に最小のニードル・ア・ヘイスタック最適化関数を見つけることができる。
  論文  参考訳（メタデータ） (2024-06-18T14:28:29Z)

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。