論文の概要: Orbia: Do Generated Videos Form a Consistent 3D World?

• arxiv url: http://arxiv.org/abs/2610.20693v2
• Date: Sun, 18 Oct 2026 11:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.305012
• Title: Orbia: Do Generated Videos Form a Consistent 3D World?
• Title（参考訳）: Orbia: 生成したビデオは一貫性のある3Dワールドになるか?
• Abstract要約: ビデオジェネレータは、探索とシミュレーションのためのインタラクティブな世界として機能するが、現実的で視覚的に魅力的なフレームは、必ずしも一貫した3D世界を描写しない。 インタラクティブな世界モデルにおける3D一貫性の体系的かつ包括的な評価を目的とした最初のベンチマークであるOrbiaを紹介する。
• 参考スコア（独自算出の注目度）: 101.24452875624782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video generators serve as interactive worlds for exploration and simulation, yet realistic and visually appealing frames do not necessarily depict a consistent 3D world. Existing benchmarks assess selected geometric properties or use vision-language models to judge memory and consistency, leaving systematic 3D evaluation underexplored. We introduce Orbia, the first benchmark dedicated to a systematic and comprehensive evaluation of 3D consistency in interactive world models. Through controlled exploration and revisit, we organize the evaluation into three dimensions: input preservation, generated-content persistence, and 3D self-consistency. For input preservation, registered RGB-D references and annotated anchors support appearance, geometry, and spatial stability measurements. For generated-content persistence, we compare revisits to regions absent from the input image with their first generated observations to test whether models preserve what they create. For 3D self-consistency, cross-view depth and feature correspondence, regional scale agreement, and held-out Gaussian rendering test whether generated views describe the same 3D scene. Minute-long exploration and revisits further test long-term consistency. Our construction and annotation pipeline brings together public datasets, self-captured scenes, and simulation, yielding 720 instances across indoor and outdoor environments and six exploration-and-revisit protocols. Evaluation spans 27 text-, action-, and camera-conditioned models through native-interface adapters. Our Orbia benchmark provides a systematic basis for diagnosing 3D inconsistency and developing more persistent video world models.
• Abstract（参考訳）: ビデオジェネレータは、探索とシミュレーションのためのインタラクティブな世界として機能するが、現実的で視覚的に魅力的なフレームは、必ずしも一貫した3D世界を描写しない。 既存のベンチマークでは、選択された幾何学的特性や視覚言語モデルを用いて記憶と一貫性を判断し、体系的な3D評価を過小評価している。 インタラクティブな世界モデルにおける3D一貫性の体系的かつ包括的な評価を目的とした最初のベンチマークであるOrbiaを紹介する。 制御された探索と再考を通じて,評価を入力保存,生成コンテンツ持続,3次元自己整合性の3つの次元に分類する。 入力保存のために、登録されたRGB-D参照と注釈付きアンカーは外観、幾何学、空間安定性の測定をサポートする。 生成コンテンツ永続性については、入力画像から欠落した領域と、最初の生成した観測結果を比較し、モデルが生成したものを保存するかどうかをテストする。 3次元の自己整合性、クロスビュー深度と特徴対応、地域規模の合意、生成したビューが同じ3次元シーンを記述するかどうかのガウスレンダリングテストを行う。 短時間の探索と再考により、長期的な一貫性がテストされる。 私たちの構築とアノテーションパイプラインは、公開データセット、自己キャプチャされたシーン、シミュレーションをまとめて、屋内と屋外の環境に720のインスタンスを生成し、6つの探索と再考のプロトコルを提供します。 評価は、ネイティブインターフェースアダプタを通じて27のテキスト、アクション、カメラコンディショニングモデルにまたがる。 我々のOrbiaベンチマークは、3Dの不整合を診断し、より永続的なビデオワールドモデルを開発するための体系的な基盤を提供する。

関連論文リスト

• GenIA: Generative Reconstruction with Test-Time Input Alignment [43.03798643920805]
  生成的な3D基礎モデルは、観察されたビューを超えてオブジェクトの幾何学を完成させることができるが、それらの予測は観察された幾何学、外観、またはポーズを忠実に再現しないかもしれない。 我々は, SAM3Dの生成を基礎モデルを再学習することなく, 幾何学的および測光的観察に先立って行うテスト時間入力整列生成のフレームワークであるGenIAを紹介する。 我々は、学習した回転を前もって幾何学から翻訳とスケールを導出することでオブジェクトポーズを改善し、視認性に配慮した注意、観察間融合、およびデノナイジング中の異なるレンダリングガイダンスを通して外観を整列させる。
  論文  参考訳（メタデータ） (2026-10-08T17:38:56Z)
• GeoVerse: World-Consistent Novel View Synthesis in Geometric Latent Space [51.75763755769632]
  事前訓練された3次元基礎モデル内で生成を行うことにより,世界一貫性のある新規ビューを合成するフレームワークであるGeoVerseを提案する。 具体的には、GeoVerseはWan2.2 VACEからマルチレベル機能を抽出し、制御ネットスタイルのアダプタを介して幾何学的潜在拡散モデルに注入する。 多様なデータセットにわたる実験では、DL3DVでは2.23dB、Mip-NeRF360では32.4%、視品質と幾何整合性が向上した。
  論文  参考訳（メタデータ） (2026-09-28T17:51:48Z)
• WorldOlympiad: Can Your World Model Survive a Triathlon? [39.69359039523777]
  我々は,物理忠実度,幾何整合性,相互作用忠実度にまたがるビデオベース世界モデルの診断のためのベンチマークであるWorldOlympiadを紹介する。 WorldOlympiadは、世界モデルの評価を3つの相補的な次元に分解する。
  論文  参考訳（メタデータ） (2026-06-09T17:24:36Z)
• Quantitative Video World Model Evaluation for Geometric-Consistency [18.53748808467407]
  生成ビデオモデルは暗黙の世界モデルとしてますます研究されている。 物理的に妥当な3D構造と動きを創出するかどうかを評価することは依然として困難である。 生成ビデオにおける幾何コヒーレンスを監査するフレームワークであるPDI-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-14T17:59:04Z)
• Beyond Pixel Histories: World Models with Persistent 3D State [50.4601060508243]
  PERSISTは、潜伏した3Dシーンの進化をシミュレートする世界モデルの新たなパラダイムである。 既存の手法に比べて空間記憶,3次元整合性,長期安定性が大幅に向上した。
  論文  参考訳（メタデータ） (2026-03-03T19:58:31Z)
• DSG-World: Learning a 3D Gaussian World Model from Dual State Videos [14.213608866611784]
  本稿では,Dual Stateの観測から3次元ガウス世界モデルを明示的に構築する,新しいエンドツーエンドフレームワークDSG-Worldを提案する。 提案手法は、二分割対応ガウス場を構築し、双方向の測光および意味的整合性を実現する。
  論文  参考訳（メタデータ） (2025-06-05T16:33:32Z)
• E3D-Bench: A Benchmark for End-to-End 3D Geometric Foundation Models [78.1674905950243]
  3次元幾何学基礎モデル(GFM)の総合ベンチマークを初めて提示する。 GFMは、単一のフィードフォワードパスで密度の高い3D表現を直接予測し、スローまたは未使用のカメラパラメータを不要にする。 我々は16の最先端GFMを評価し、タスクやドメイン間の長所と短所を明らかにした。 すべてのコード、評価スクリプト、処理されたデータは公開され、3D空間インテリジェンスの研究が加速される。
  論文  参考訳（メタデータ） (2025-06-02T17:53:09Z)

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。