論文の概要: Any Time, Any Space: A World-State-Centric Framework for Agentic Video Generation

• arxiv url: http://arxiv.org/abs/2610.20571v1
• Date: Wed, 14 Oct 2026 17:54:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.288587
• Title: Any Time, Any Space: A World-State-Centric Framework for Agentic Video Generation
• Title（参考訳）: いつでも、どんな空間でも: エージェントビデオ生成のための世界国家中心のフレームワーク
• Abstract要約: 我々は、Any Time, Any Space (ATAS)を提示する。これは、明確な位置、カメラ、イベント時間参照で、スクリーンショットをショットリクエストにコンパイルする。 ATASは報告されたすべてのクロスショット一貫性対策を改善し、バックボーン毎の最高スコアを達成している。
• 参考スコア（独自算出の注目度）: 43.11678020515984
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Long-form agentic video generation must turn a screenplay into shots that remain spatially and temporally consistent across nonconsecutive requests. Passing prompts or recent frames between shots does not provide a shared spatial frame for revisiting a scene or a time-indexed record for replaying an earlier event. We present Any Time, Any Space (ATAS), which compiles a screenplay into shot requests with explicit location, camera, and event-time references. Before generation, it retrieves relevant evidence from a scene memory of registered static geometry and an event memory of dynamic observations indexed by scene, event, and time. After generation, ATAS reconstructs and registers the clip. It updates memory only when review and state checks accept the observation, while film delivery remains independent of memory admission. Across four video generators, ATAS improves all reported cross-shot consistency measures and achieves the highest aggregate benchmark score for each backbone. It also outperforms the compared agents and 3D-guided methods on target-image spatial revisit, leads three event-recapture criteria, and receives the highest human ratings on all six criteria. The video results and code are available on our project page: https://lhmd.top/atas/.
• Abstract（参考訳）: ロングフォームのエージェントビデオ生成は、画面を空間的かつ時間的に不連続な要求に対して一貫性のあるショットに変換する必要がある。 ショット間のプロンプトや最近のフレームを渡すことは、シーンを再考するための共有空間フレームや、以前のイベントを再生するためのタイムインデックスレコードを提供しない。 我々は、Any Time, Any Space (ATAS)を提示する。これは、明確な位置、カメラ、イベント時間参照で、スクリーンショットをショットリクエストにコンパイルする。 生成前に、登録された静的幾何学のシーンメモリと、シーン、イベント、時間によってインデックスされた動的観測のイベントメモリから、関連するエビデンスを検索する。 世代後、ATASはクリップを再構築し、登録する。 レビューと状態チェックが観察を受け入れた時にのみメモリを更新するが、フィルムの配信はメモリの許可から独立している。 4つのビデオジェネレータ全体で、ATASは報告されたすべてのクロスショット一貫性対策を改善し、バックボーン毎の最高スコアを達成している。 また、ターゲット画像における比較エージェントや3D誘導手法よりも優れており、3つのイベントキャプチャ基準を導いており、6つの基準で最高評価を受けている。 ビデオの結果とコードは、プロジェクトのページ(https://lhmd.top/atas/)で公開されています。

関連論文リスト

• CineRecon: Benchmarking Frontier Models for Agentic Cinematic Reconstruction [66.03273027109962]
  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。
  論文  参考訳（メタデータ） (2026-10-12T10:57:18Z)
• Honeycomb: Constant-Size Scene Memory Representation for Video World Models [19.478192594069455]
  ビデオワールドモデルは、長期ビデオ生成時の一貫性を維持するためにシーンメモリを必要とする。 We introduced Honeycomb, a video world model built on HexMemory。 WorldScoreとRealEstate10Kの実験では、HexMemoryの機能ストレージを世代毎に一定に保ちながら、強力なビデオ生成品質と再検討の一貫性が示されている。
  論文  参考訳（メタデータ） (2026-09-29T14:33:39Z)
• MVAgent: Multi-Agent Video Generation via Consistent Condition Construction and Shot-Level Policy Optimization [49.1454651931298]
  マルチショットのエージェントビデオ生成には、一貫したキャラクタの外観、カメラアングル間の安定した空間配置、ショット間の連続的なキャラクタ状態が必要である。 MVAgentはマルチエージェントパイプラインであり、エージェントは型付き条件入力を介して協調する。 MVAgent は ViMax-Bench における比較手法の中で, クロスショット一貫性と物語計画品質が最も高く, 人体評価において最強のエージェントベースラインよりも好まれる。
  論文  参考訳（メタデータ） (2026-09-24T22:47:40Z)
• ReCA: Multi-Shot Long Video Extrapolation via Recursive Context Allocation [69.45329019089041]
  マルチショットビデオ外挿(マルチショットビデオ外挿、Multi-Shot Video Extrapolation、MSVE)は、観察されたフレームまたはクリップを撮影的に構造化された一連のショットに拡張するタスクである。 MSVEは、長ビデオの障害は単にコンテキスト長の制限ではなく、コンテキスト割り当ての障害であることを明らかにした。 本稿では,再帰的コンテキスト割当(Recursive Context Allocation, ReCA)を提案する。
  論文  参考訳（メタデータ） (2026-05-26T04:16:56Z)
• 3D Scene Prompting for Scene-Consistent Camera-Controllable Video Generation [55.29423122177883]
  3DScenePromptは任意の長さの入力から次のチャンクを生成するフレームワークである。 カメラの制御とシーンの一貫性の維持を可能にする。 我々のフレームワークは、シーンの一貫性、カメラ制御性、生成品質において、既存の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-10-16T17:55:25Z)
• VMem: Consistent Interactive Video Scene Generation with Surfel-Indexed View Memory [55.73900731190389]
  Surfel-Indexed View Memory (VMem) は、過去のビューを記憶するメモリモジュールであり、それらが観測した3次元表面要素(サーフェル)に基づいて幾何学的にインデックス化することで、過去のビューを記憶する。 VMemは、新しいビューを生成する際に、最も関連性の高い過去のビューを効率的に検索することを可能にする。
  論文  参考訳（メタデータ） (2025-06-23T17:59:56Z)

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。