論文の概要: VGGA: Geometry-Grounded Autoencoder for Video Generation

• arxiv url: http://arxiv.org/abs/2610.16204v1
• Date: Mon, 12 Oct 2026 05:34:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 07:07:42.320204
• Title: VGGA: Geometry-Grounded Autoencoder for Video Generation
• Title（参考訳）: VGGA:ビデオ生成のための幾何学型オートエンコーダ
• Abstract要約: TextbfGAVGは、幾何学的制約を再構成プロセスに明示的に組み込んだ幾何学的ビデオオートエンコーダである。 VGGAは、幾何中心領域と人動領域の両方において、ビデオ生成を一貫して改善することを示す。
• 参考スコア（独自算出の注目度）: 37.30833815190605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoencoders are the core component of latent video generative models, compressing high-dimensional videos into compact latent spaces for downstream generation. However, existing video autoencoders are primarily optimized for pixel-level reconstruction, providing limited supervision for learning structured latent representations. We argue that videos should not be treated merely as signals to be reconstructed, but rather as 2D projections of dynamic 3D worlds that exhibit explicit and well-structured geometric properties. Building on this insight, we propose \textbf{V}ideo \textbf{G}eometry \textbf{G}rounded \textbf{A}utoencoder (\textbf{VGGA}), a geometry-aware video autoencoder that explicitly incorporates geometric constraints into the reconstruction process. Specifically, VGGA grounds the learned representations along three complementary geometric dimensions: \emph{Structural Depth}, \emph{Motion Correspondence}, and \emph{Projective Warping}. These objectives are unified within a Video Geometry Decoder, which employs a shared spatio-temporal upsampling trunk to jointly optimize geometric learning and RGB reconstruction. Through these geometry-grounded objectives, VGGA encourages the latent representations to capture the underlying 3D structure and motion of dynamic scenes. VGGA consistently improves video generation across both geometry-centric and human-motion domains, reducing gFVD by 28.1\% on RealEstate10K and 37.7\% on Taichi-HD. Notably, these substantial generation improvements are achieved while maintaining comparable reconstruction quality, demonstrating that geometry-grounded representation learning yields a more effective latent space for video generation.
• Abstract（参考訳）: オートエンコーダは遅延ビデオ生成モデルのコアコンポーネントであり、下流生成のために高次元映像をコンパクトな潜在空間に圧縮する。 しかし、既存のビデオオートエンコーダは、主にピクセルレベルの再構成に最適化されており、構造化された潜在表現を学習するための限られた監督を提供する。 我々は、ビデオは単に再構成すべき信号として扱われるのではなく、明示的でよく構造化された幾何学的性質を示す動的な3次元世界の2次元投影として扱われるべきであると主張している。 この知見に基づいて、幾何制約を明示的に再構成プロセスに組み込む幾何学的ビデオオートエンコーダである \textbf{V}ideo \textbf{G}eometry \textbf{G}rounded \textbf{A}utoencoder (\textbf{VGGA})を提案する。 具体的には、VGGAは学習された表現を3つの相補的な幾何学的次元: \emph{Structural Depth}, \emph{Motion Cor correspondingence}, \emph{Projective Warping} に沿って基礎付ける。 これらの目的はビデオジオメトリデコーダに統一されており、これは共有時空間アップサンプリングトランクを用いて幾何学的学習とRGB再構成を共同で最適化する。 これらの幾何学的目的を通じて、VGGAは、下層の3D構造と動的シーンの運動を捉えるために潜伏表現を奨励する。 VGGAは、幾何中心領域と人動領域の両方にわたるビデオ生成を一貫して改善し、RealEstate10Kでは28.1\%、Taichi-HDでは37.7\%のgFVDを削減した。 特に、これらの実質的な生成改善は、比較した再構成品質を維持しながら達成され、幾何学的グラウンドの表現学習が、ビデオ生成においてより効果的な潜在空間をもたらすことを示す。

関連論文リスト

• GAE: Learning a Geometry-Native Latent Space for 3D-Consistent World Generation [79.28580044574306]
  本稿では,知覚と生成の共通基盤として,コンパクトな幾何学ネイティブな潜在空間を提案する。 我々は、このシフトを幾何学ネイティブオートエンコーダ(GAE)で実現し、その潜伏線は外観、深度、カメラ、点マップに共起可能である。
  論文  参考訳（メタデータ） (2026-09-21T17:56:25Z)
• GaussVid: Sparse-View Gaussian Splatting with 3D-Aware Video Diffusion Priors [14.045684695919116]
  3DGSは、合成において顕著な成功を収めたが、スパースビュー下での再構成は、しばしば顕著な成果を上げている。 本稿では,スパース3DGSの再生品質を向上させるために,新しい3D対応ビデオ復元フレームワークを提案する。 提案手法は,PSNR/SSIM(Pixel- and Structure-level fidelity)を最適に実現し,マルチビューの整合性を向上させる。
  論文  参考訳（メタデータ） (2026-08-22T08:47:29Z)
• ScaleVid: Geometry-Aware Video Object Scaling with Mesh-Free Inference [13.10996719828907]
  幾何学を意識したビデオオブジェクトのスケーリングは、幾何学的妥当性、時間的コヒーレンス、背景の一貫性を保ちながら、オブジェクト中心の軸に沿ってオブジェクトを異方的にリサイズすることを目的としている。 本研究では、背景保存とリアルな映像合成から、幾何学的に認識された前景変換を分離する2段階のトレーニングフレームワークを提案する。 どちらの段階でも、幾何学的に乱れた擬似ソースは実際のビデオから構築され、元の完全ビデオは再構築対象として保持される。
  論文  参考訳（メタデータ） (2026-08-12T16:28:26Z)
• 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)
• VGGRPO: Towards World-Consistent Video Generation with 4D Latent Reward [14.297118875382871]
  VGGRPO(VGGRPO)は、幾何学を意識したポストトレーニング用フレームワークである。 ビデオ拡散潜像を幾何学基礎モデルに縫い付け、潜像空間からのシーン幾何学の直接復号を可能にする。 カメラの安定性、幾何の整合性、全体的な品質を改善しながら、コストのかかるVAEデコードを排除する。
  論文  参考訳（メタデータ） (2026-03-27T16:57:51Z)
• IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction [82.53307702809606]
  人間は自然に3次元世界の幾何学的構造と意味的内容を中間次元として知覚する。 本稿では,空間再構成とインスタンスレベルの文脈理解の両面での知識を統合するために,IGGT (InstanceGrounded Geometry Transformer) を提案する。
  論文  参考訳（メタデータ） (2025-10-26T14:57:44Z)

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。