論文の概要: RTAformer: Relation-Transition-Aware Transformer for Video Scene Graph Generation

• arxiv url: http://arxiv.org/abs/2610.20091v1
• Date: Wed, 14 Oct 2026 12:31:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.138933
• Title: RTAformer: Relation-Transition-Aware Transformer for Video Scene Graph Generation
• Title（参考訳）: RTAformer:ビデオシーングラフ生成のためのリレーション・トランジション・アウェア・トランスフォーマ
• Abstract要約: ビデオシーングラフ生成(VidSGG)は、オブジェクトとその進化する関係をビデオでキャプチャすることを目的としている。 これは、オブジェクトのアイデンティティの永続化と、関係の突然の変化の両方を考慮する必要がある。 本稿では,エンティティの永続性と関係性の変化を個別にモデル化する一段階フレームワークであるリレーショナル・トランス・アウェア・トランスフォーマー(RTAformer)を提案する。
• 参考スコア（独自算出の注目度）: 2.2748974006378933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video scene graph generation (VidSGG) aims to capture objects and their evolving relationships in videos. This requires accounting for both the persistence of object identities and abrupt changes in relationships. Existing methods aggregate information across frames to exploit temporal context, but an emphasis on consistency can obscure these changes. As a result, a model may retain its previous prediction even after the underlying relation has changed. We refer to this failure mode as relational semantic inertia. To address this issue, we propose Relation-Transition-Aware Transformer (RTAformer), a one-stage framework that separately models entity persistence and relation changes. It injects calibrated differences between adjacent-frame relation queries to guide predicate updates, while cross-frame instance alignment during training helps reduce cross-frame representational drift. Experiments on Action Genome show improvements in recall and mean recall over existing methods, with ablation studies supporting the contributions of the proposed components and comparisons using matched backbones showing larger gains on relation-transition frames than on non-transition frames.
• Abstract（参考訳）: ビデオシーングラフ生成(VidSGG)は、オブジェクトとその進化する関係をビデオでキャプチャすることを目的としている。 これは、オブジェクトのアイデンティティの永続化と、関係の突然の変化の両方を考慮する必要がある。 既存のメソッドは、時間的コンテキストを活用するために、フレーム全体に情報を集約するが、一貫性を重視することで、これらの変更を曖昧にすることができる。 結果として、モデルは、基礎となる関係が変化した後でも、以前の予測を維持することができる。 この障害モードをリレーショナルセマンティック慣性と呼ぶ。 この問題に対処するために、エンティティの永続性と関係の変化を個別にモデル化する一段階フレームワークであるRelation-Transition-Aware Transformer (RTAformer)を提案する。 隣接するフレーム関係クエリ間のキャリブレーションの違いを注入して、予測更新をガイドする一方で、トレーニング中のクロスフレームインスタンスアライメントは、クロスフレーム表現のドリフトを低減するのに役立つ。 行動ゲノムの実験では,既存手法に対するリコールと平均リコールの改善が示されており,提案したコンポーネントのコントリビューションを支援するアブレーション研究と,非遷移フレームよりも関係遷移フレームに大きな利得を示すマッチングバックボーンを用いた比較を行った。

関連論文リスト

• DLAM: Distributional Latent Actions with Temporal Constraints [25.743937994244902]
  本稿では,各遷移を対角ガウスとして表現する分布潜在作用モデルであるDLAMを紹介する。 下流のポリシー学習では、エンコーダを凍結し、フローマッチングポリシーをトレーニングし、平均遷移シーケンスとロボットアクションを共同で生成する。 ホールドアウト遷移では、DLAMは既存の潜在動作ベースラインよりも時間的に一貫した潜伏ダイナミクスを学習し、ホールドアウトビデオ上でより強い直接的および累積的再構成を実現する。
  論文  参考訳（メタデータ） (2026-07-29T17:09:48Z)
• Not All Relations Rotate Alike: Transformation-Aware Decoupling for Viewpoint-Robust 3D Scene Graph Generation [11.312501987929224]
  3Dシーングラフ生成(3DSGG)は、3Dシーンを構造化されたオブジェクト-リレーショナルオブジェクトグラフとして表現する。 現在の3DSGGモデルは、しばしば視点シフトの下で期待される変換挙動に従う関係予測を作成できない。 本稿では,関係推論を述語変換の振る舞いに応じて分離する3DSGGフレームワークであるTransform-Aware Decoupling (TAD)を提案する。
  論文  参考訳（メタデータ） (2026-06-25T14:44:40Z)
• Closed-Loop Triplet Synergistic Generation for Long-Form Video [61.88597038104749]
  CoSyTriGenは、クローズドループビジュアル-テキスト-メモリのシナジープロセスとしてマルチショット長ビデオ生成を定式化するエージェントフレームワークである。 この三重項に対して視覚言語モデルに基づくアナライザが原因となり、2つの経路に沿ってプロンプトとメモリの両方を更新する。 StoryBenchベンチマークの実験では、代表法よりもクロスショット一貫性、即効性、撮影連続性を大幅に改善した。
  論文  参考訳（メタデータ） (2026-06-15T03:56:43Z)
• Tempered Self-Similarity Alignment for Physically Plausible Video Generation [83.40337664171939]
  自己相似性損失は確率的対応に変化し、映像生成モデルを動的に変化する領域の視覚基盤モデルと対応付けるよう訓練する。 本手法は,映像生成における関係知識の伝達の有効性を検証し,多種多様な相互作用シナリオにおける物理的妥当性の大幅な向上を示す。
  論文  参考訳（メタデータ） (2026-05-24T09:28:05Z)
• Cross-Representation Knowledge Transfer for Improved Sequential Recommendations [0.5130440339897478]
  本稿では,変圧器とグラフニューラルネットワークを組み合わせた新しいフレームワークを提案する。 我々のソリューションは、相互作用グラフの構造的依存関係を同時にエンコードし、それらの動的変化を追跡する。 多くのオープンデータセットに対する実験結果から、提案フレームワークは、推奨品質の観点から、純粋シーケンシャルとグラフアプローチの両方を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-26T20:03:23Z)
• RepVideo: Rethinking Cross-Layer Representation for Video Generation [53.701548524818534]
  テキスト・ビデオ拡散モデルのための拡張表現フレームワークであるRepVideoを提案する。 近隣層からの機能を蓄積してリッチな表現を形成することで、このアプローチはより安定したセマンティック情報をキャプチャする。 我々の実験は、RepVideoが正確な空間的外観を生成する能力を著しく向上するだけでなく、ビデオ生成における時間的一貫性も向上することを示した。
  論文  参考訳（メタデータ） (2025-01-15T18:20:37Z)
• RIGID: Recurrent GAN Inversion and Editing of Real Face Videos [73.97520691413006]
  GANのインバージョンは、実画像に強力な編集可能性を適用するのに不可欠である。 既存のビデオフレームを個別に反転させる手法は、時間の経過とともに望ましくない一貫性のない結果をもたらすことが多い。 我々は、textbfRecurrent vtextbfIdeo textbfGAN textbfInversion and etextbfDiting (RIGID) という統合されたリカレントフレームワークを提案する。 本フレームワークは,入力フレーム間の固有コヒーレンスをエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2023-08-11T12:17:24Z)
• Cross-Modality Time-Variant Relation Learning for Generating Dynamic Scene Graphs [16.760066844287046]
  動的シーングラフにおける関係の時間的変化をモデル化するために,時間変動型関係対応TRansformer (TR$2$)を提案する。 TR$2$は2つの異なる設定下で従来の最先端メソッドよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-15T10:30:38Z)
• Transform-Equivariant Consistency Learning for Temporal Sentence Grounding [66.10949751429781]
  ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。 私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。 特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
  論文  参考訳（メタデータ） (2023-05-06T19:29:28Z)

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。