論文の概要: Totem: Object-Centric 3D Memory for World-Consistent Video Generation

• arxiv url: http://arxiv.org/abs/2610.15807v1
• Date: Sun, 11 Oct 2026 17:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 16:19:52.072315
• Title: Totem: Object-Centric 3D Memory for World-Consistent Video Generation
• Title（参考訳）: オブジェクト中心の3Dメモリ「Totem」
• Abstract要約: 我々は,オブジェクト中心の3DメモリフレームワークであるTotemを紹介した。 本研究では,オブジェクトメモリとシーン形状を組み合わせた2重ストリーム3Dコンディショニングアーキテクチャを設計し,ターゲットビュー合成を行う。 ワールドジェネレーションとオブジェクト中心のベンチマークの実験は、Totemがよりオブジェクト一貫性のある3D世界を描いたビデオを生成することを示した。
• 参考スコア（独自算出の注目度）: 56.96742354971922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating coherent videos grounded in a unified underlying world remains a major challenge, particularly under large viewpoint changes, where existing methods often struggle to maintain stable representations of individual objects. To this end, we introduce Totem, an object-centric 3D memory framework for world-consistent video generation. Totem first represents each selected object as a persistent 3D memory aligned to a shared world frame, assigning it a dedicated state. Based on these memories, we design a dual-stream 3D conditioning architecture that combines object memories with scene geometry for target-view synthesis. Moreover, these object memories constrain the model's attention with 3D structural information, thereby preserving object surfaces and relative spatial layouts. Extensive experiments on world-generation and object-centric benchmarks demonstrate that Totem generates videos depicting a more object-consistent 3D world under challenging camera trajectories, while supporting versatile applications.
• Abstract（参考訳）: 特に大きな視点の変化の下では、既存の手法は個々のオブジェクトの安定した表現を維持するのにしばしば苦労する。 そこで本研究では,オブジェクト中心の3DメモリフレームワークであるTotemを紹介する。 Totemは、選択した各オブジェクトを、共有ワールドフレームに整列した永続的な3Dメモリとして表現し、専用の状態に割り当てる。 これらの記憶に基づいて、オブジェクトメモリとシーン形状を組み合わせた2重ストリーム3Dコンディショニングアーキテクチャを設計し、ターゲットビュー合成を行う。 さらに、これらのオブジェクト記憶は3次元構造情報によってモデルの注意を拘束し、オブジェクトの表面と相対的な空間配置を保存する。 ワールドジェネレーションとオブジェクト中心のベンチマークに関する大規模な実験は、Totemがよりオブジェクト一貫性のある3D世界を描いたビデオを、挑戦的なカメラトラジェクトリーの下で生成し、汎用的なアプリケーションをサポートすることを示した。

関連論文リスト

• WorldSculpt: Generating Compositional Worlds from Grounded Videos [50.427204240556854]
  本研究では,数百個のオブジェクトを含む散在するシーンの合成3次元表現を生成する問題について検討する。 この課題は、物体が互いに強く干渉し合うような密集したシーンにおいて挑戦的であり、それぞれのビューはその幾何のごく一部しか明らかにしない。 多視点観察に先立ち、強い単物体3D生成を適応させることにより、数百個の物体からなる複雑なシーンを合成的に生成できることが示される。
  論文  参考訳（メタデータ） (2026-09-04T17:59:35Z)
• Voyager: Long-Range and World-Consistent Video Diffusion for Explorable 3D Scene Generation [66.95956271144982]
  本稿では,単一画像から一貫した3Dポイントクラウドシーケンスを生成する新しいビデオ拡散フレームワークであるVoyagerを紹介する。 既存のアプローチとは異なり、Voyagerはフレーム間で固有の一貫性を持って、エンドツーエンドのシーン生成と再構築を実現している。
  論文  参考訳（メタデータ） (2025-06-04T17:59:04Z)
• Zero-Shot Multi-Object Scene Completion [59.325611678171974]
  1枚のRGB-D画像から複雑なシーンにおける複数の見えない物体の完全な形状を復元する3Dシーン補完法を提案する。 提案手法は, 合成および実世界の両方のデータセットにおいて, 現在の最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2024-03-21T17:59:59Z)

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。