論文の概要: GeoFix: Geometry Fixing for 4D Consistent Generation
- arxiv url: http://arxiv.org/abs/2610.14293v1
- Date: Fri, 09 Oct 2026 20:15:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.029697
- Title: GeoFix: Geometry Fixing for 4D Consistent Generation
- Title（参考訳）: GeoFix: 4D Consistent Generationのための幾何学的修正
- Abstract要約: ビデオ拡散モデルは、ますます4D生成の先行として機能するが、生成されたビデオは幾何学的整合性に欠けることが多い。
近年のアプローチでは、幾何的な報酬を設計することで、後のトレーニングを通じてこの問題に対処しているが、テクスチャと細部を分解することができる。
幾何的整合性と視覚的品質を1つの幾何報酬で向上する統合フレームワークであるGeoFixを提案する。
- 参考スコア（独自算出の注目度）: 94.80425268190301
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Video diffusion models increasingly serve as priors for 4D generation, but the generated videos often lack geometric consistency. Recent approaches address this through post-training by designing geometric rewards, yet this can degrade texture and fine detail, requiring auxiliary appearance rewards and careful reward balancing. To address this challenge, we propose GeoFix, a unified framework that improves geometric consistency and visual quality with a single geometric reward, applicable to both training and inference-time reward alignment. Our reward measures cross-view depth consistency in static scene regions, targeting structural inconsistencies without directly constraining appearance or penalizing valid object motion. Crucially, depth agreement increases with camera field-of-view overlap even in real videos and 4D datasets, allowing a smaller camera movement to be mistaken for better geometry. We account for this effect by calibrating the reward against the overlap-dependent trend. GeoFix achieves a 39% improvement in WorldScore 3D consistency and a 4% increase in VBench Quality Score.
- Abstract（参考訳）: ビデオ拡散モデルは、ますます4D生成の先行として機能するが、生成されたビデオは幾何学的整合性に欠けることが多い。
近年のアプローチでは、幾何学的な報酬を設計して後トレーニングによってこの問題に対処しているが、これはテクスチャと細部を劣化させ、補助的な報酬と慎重な報酬バランスを必要とする。
この課題に対処するために,1つの幾何報酬を用いて幾何学的一貫性と視覚的品質を向上させる統一フレームワークGeoFixを提案する。
我々の報酬は静的なシーン領域における横方向の深さの一貫性を測り、外観を直接制約したり、有効な物体の動きをペナルティ化することなく、構造上の不整合を狙う。
重要なことに、実際のビデオや4Dデータセットであっても、カメラフィールド・オブ・ビューのオーバーラップによって、奥行きの合意が増加するため、より小さなカメラの動きが、より優れたジオメトリと誤認される可能性がある。
この効果は、重複依存傾向に対する報酬の校正によって説明される。
GeoFixはWorldScore 3D一貫性を39%改善し、VBench Quality Scoreを4%向上させた。
関連論文リスト
- Visual Geometry Foundation-Aware Gaussians for Single-Frame Surround-View Driving Reconstruction [44.54907293631917]
単フレームのサラウンドビューリコンストラクションは、カメラ間オーバーラップが最小限であるために、厳密な幾何学的不安定さとレンダリングアーティファクトに直面している。
フィードフォワード・サラウンド・サラウンド・ビュー・ドライビング・リストラクションのための3Dガウス・スプレイティング・フレームワークであるVGGDを提案する。
論文 参考訳（メタデータ） (2026-08-11T09:04:33Z) - Ground4D: Consistency-Aware 4D Reconstruction from Monocular Video [69.94904173314505]
2つのステージ上に構築された幾何グラウンドのフレームワークであるGround4Dを提案する。
まず,モノクロ映像から複数視点の立体形状とカメラポーズを再構成する。
第2に,動的ガウススプラッティングによる幾何整合性を考慮した改良を行う。
論文 参考訳（メタデータ） (2026-06-27T09:27:42Z) - VideoWeave: Unlocking Geometric Consistency in Video Generation via Joint Geometry-Video Modeling [49.98112719317813]
ビデオ拡散モデルは、時間とともに3D構造を保存できないことが多い。
既存の手法は通常、明示的な幾何再構成を用いて幾何整合を強制する。
我々は,暗黙的幾何モデルを用いて生成分布を制約する潜在空間後学習フレームワークであるVideoWeaveを提案する。
論文 参考訳（メタデータ） (2026-06-12T06:41:13Z) - Geometric 4D Stitching for Grounded 4D Generation [51.62488402931672]
幾何学的領域の欠如を識別し,幾何学的に接地された4次元縫合を補完する効率的なフレームワークであるGeometric 4D Stitchingを提案する。
1ステップのシーン展開毎に1つのNVIDIA GTX 5090 GPU上で,4次元シーン表現を10分以内で構築する。
論文 参考訳（メタデータ） (2026-05-11T04:53:33Z) - 4C4D: 4 Camera 4D Gaussian Splatting [56.926598190499156]
本稿では,4台のポータブルカメラで撮影した映像から4Dダイナミックなシーンを復元する課題に取り組む。
我々は,高忠実度4Dガウシアン・スプラッティングを実現する新しいフレームワークであるtextbf4C4Dを提案する。
論文 参考訳（メタデータ） (2026-04-05T11:09:23Z) - GeoNVS: Geometry Grounded Video Diffusion for Novel View Synthesis [73.97869945427645]
GeoNVSは、幾何学的忠実度とカメラ制御性の両方を明示的な3D幾何学的ガイダンスによって強化する新規なビューシンセサイザーである。
GS-Adapterは3次元ガウス表現に入力ビュー拡散特徴を持ち上げ、幾何学的に矛盾しない表現を補正するために拡散特徴を適応的に融合させる。
9シーンと18設定の実験では最先端のパフォーマンスを示し、SEVAやCameraCtrlよりも11.3%、14.9%改善されている。
論文 参考訳（メタデータ） (2026-03-16T08:23:00Z) - GPA-VGGT:Adapting VGGT to Large Scale Localization by Self-Supervised Learning with Geometry and Physics Aware Loss [15.633839321933385]
近年のVisual Geometry Grounded Transformer (VGGT) モデルの進歩は、カメラのポーズ推定と3次元再構成において大きな可能性を秘めている。
これらのモデルは通常、トレーニングのために真実のラベルを頼りにしており、ラベルのない、目に見えないシーンに適応する際の課題を提起している。
本稿では,VGGTをラベルのないデータで訓練する自己教師型フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-23T16:46:59Z)
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。