論文の概要: CineRecon: Benchmarking Frontier Models for Agentic Cinematic Reconstruction

• arxiv url: http://arxiv.org/abs/2610.16577v1
• Date: Mon, 12 Oct 2026 10:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:27:30.548419
• Title: CineRecon: Benchmarking Frontier Models for Agentic Cinematic Reconstruction
• Title（参考訳）: CineRecon: エージェントシネマティック再構築のためのフロンティアモデルのベンチマーク
• Abstract要約: 編集可能なダイナミック3Dシーンとしてレファレンスビデオを再構築することは、映画製作のための制御可能なビデオ生成への重要な道である。 CineReconは、50の参照ビデオと360の注釈付き評価クリップからなるベンチマークである。 この設計は、詳細な外観が不要な場合、エージェントがビデオ内のイベントを再現できるかどうかをテストする。
• 参考スコア（独自算出の注目度）: 66.03273027109962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing reference videos as editable dynamic 3D scenes is an important path toward controllable video generation for filmmaking: these scenes provide modifiable, renderable visual proxies that enable explicit control over scene layout, subject actions, and camera behavior. To evaluate agents' ability to reconstruct editable dynamic 3D scenes from dynamic reference videos, we introduce CineRecon, a benchmark comprising 50 reference videos and 360 annotated evaluation clips. The reference videos span film, real-world footage, and games. Given a complete video, an agent uses tools to construct, animate, render, and refine its reconstruction. We evaluate this task under three representation settings: Proxy, Simplified, and Detailed. These settings increase geometric and appearance requirements while retaining the same requirements for spatial relations, camera behavior, and subject dynamics. This design tests whether agents can reproduce the events in a video when detailed appearance is unnecessary, and how performance changes as representation requirements increase. For evaluation, we construct checklists that associate observable properties and events with specific entities and times. A vision-language judge compares timestamp-aligned reference and rendered frames across 11 categories, grouped into camera, static, and dynamic consistency dimensions. We evaluate 12 models using their corresponding agent harnesses and find failures across all three dimensions. Subject motions and interactions remain difficult to reproduce even under the Proxy setting.
• Abstract（参考訳）: 参照映像を編集可能なダイナミックな3Dシーンとして再構成することは、映画製作のための制御可能なビデオ生成への重要な道である。 動的参照ビデオから編集可能な動的3Dシーンを再構成するエージェントの能力を評価するために,50の参照ビデオと360の注釈付き評価クリップからなるベンチマークであるCineReconを紹介する。 参照ビデオは、映画、現実世界の映像、ゲームにまたがる。 完全なビデオが与えられると、エージェントはツールを使用して再構成を構築し、アニメーション化し、レンダリングし、洗練する。 このタスクを3つの表現設定(プロキシ、単純化、詳細化)で評価する。 これらの設定は、空間的関係、カメラの振る舞い、および被写体力学の同じ要件を維持しながら、幾何学的および外観的要求を増大させる。 この設計は、エージェントが詳細な外観が不要なときにビデオ内のイベントを再現できるかどうか、そして表現要求が増加するにつれてパフォーマンスがどう変化するかをテストする。 評価のために、観測可能なプロパティやイベントと特定のエンティティや時間とを関連付けるチェックリストを構築します。 視覚言語判断器は、タイムスタンプに沿った参照フレームとレンダリングフレームを11のカテゴリで比較し、カメラ、静的、ダイナミックな一貫性の次元に分類する。 我々は、対応するエージェントハーネスを用いて12のモデルを評価し、3次元すべてにわたって失敗を見つける。 被写体の動きや相互作用は、プロキシ設定の下でも再現が困難である。

関連論文リスト

• RenderBench: Benchmarking Render-to-Real Video Transfer with Reconstructed Digital Twins [10.586890894442071]
  RenderBenchは、大規模な屋内環境と自我中心の視点にまたがる12の現実世界シーンのベンチマークである。 私たちの建設パイプラインは、視覚幾何学、神経再構築、補助的な3Dオーサリングを組み合わせています。 実写映像とPAI-Bench-C互換構造投影に対する転送モデルの評価を行い、シーンアノテーションを用いてオブジェクト、可視性、調音性、動きによる障害のローカライズを行う。
  論文  参考訳（メタデータ） (2026-10-06T17:03:55Z)
• PROWBench: Do Video Models Render What the Program Specifies? [32.83238556974147]
  本稿では,170の特定エピソードと600のプロキシビデオからなるPROWBenchを紹介する。 PROWBenchは、カメラのフィールドビュー外のものを含むエンティティ状態とタイムスタンプイベントを再生可能なワールドレコードとして記録し、そこから同期表現を描画する。 タイムスタンプ付きエンジン記録イベントの,エンティティ制御,長期記憶,所定のタイムラインへの付着性,および視覚的実現性を評価する。
  論文  参考訳（メタデータ） (2026-10-01T17:59:53Z)
• CineScene: Implicit 3D as Effective Scene Representation for Cinematic Video Generation [65.03946626081036]
  映像生成に暗黙的な3D認識シーン表現を活用するフレームワークであるCineSceneを提案する。 CineSceneは、シーン一貫性のある映像生成において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-06T18:59:24Z)
• Get In Video: Add Anything You Want to the Video [48.06070610416688]
  ビデオ編集では、特定の現実世界のインスタンスを既存の映像に組み込む能力がますます求められている。 現在のアプローチでは、特定の対象のユニークな視覚的特徴を捉え、自然なインスタンス/シーンの相互作用を保証することができません。 本稿では,ユーザがビデオに取り入れたい視覚的要素を正確に特定するための参照画像を提供する「Get-In-Video Editing」を紹介する。
  論文  参考訳（メタデータ） (2025-03-08T16:27:53Z)
• Total-Recon: Deformable Scene Reconstruction for Embodied View Synthesis [76.72505510632904]
  長い単眼のRGBDビデオから変形可能なシーンを再構成する最初の方法であるTotal-Reconを提案する。 本手法は背景と物体にシーンを階層的に分解し,動作を根体運動と局所的調音に分解する。
  論文  参考訳（メタデータ） (2023-04-24T17:59:52Z)
• Video Autoencoder: self-supervised disentanglement of static 3D structure and motion [60.58836145375273]
  ビデオから3次元構造とカメラポーズの遠心分離表現を学習するために,ビデオオートエンコーダを提案する。 この表現は、新しいビュー合成、カメラポーズ推定、動きの追従によるビデオ生成など、様々なタスクに適用することができる。
  論文  参考訳（メタデータ） (2021-10-06T17:57:42Z)

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。