論文の概要: Momentum: Persistent Dynamics for Video World Models

• arxiv url: http://arxiv.org/abs/2610.23423v1
• Date: Fri, 16 Oct 2026 13:09:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.936128
• Title: Momentum: Persistent Dynamics for Video World Models
• Title（参考訳）: Momentum: ビデオワールドモデルのための永続ダイナミクス
• Abstract要約: ビデオワールドモデルは、シーンが現在のカメラビューを超えてどのように進化するかをキャプチャして、コンテンツが再び現れると一貫した観察を生成する必要があります。 既存のアプローチは、過去のフレームから構築された観測履歴、静的ポイントクラウド、イメージキャッシュに依存している。 我々は、周囲のシーンを共同でカバーする8台のカメラからなるレファレンスカメラリグからの同期ビデオを通して、進化するシーンを表現している。
• 参考スコア（独自算出の注目度）: 89.00309731593761
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video world models must capture how a scene evolves beyond the current camera view to generate consistent observations when its content reappears. Existing approaches rely on observation history, static point clouds, or image caches constructed from past frames. These representations are often expensive and, more importantly, cannot update dynamic scene content outside the field of view: generated vehicles and pedestrians may be forgotten after leaving the field of view or reappear in physically inaccurate states. We represent an evolving scene through synchronized videos from reference-camera rigs, each comprising eight cameras that jointly cover the surrounding scene. We connect these rigs in a graph and propagate video generation between neighboring rigs to coordinate scene dynamics across locations and time. We introduce Momentum, a two-stage pipeline: WorldUpdate jointly generates reference-camera videos as a shared memory of scene dynamics, and WorldInteract grounds camera-controlled video generation in this evolving memory, allowing moving content to remain represented outside the target view and reappear consistently. To support training and evaluation, we develop a CARLA pipeline that captures synchronized videos from reference camera rigs and a moving target camera, together with an evaluation framework measuring consistency within the generated world state and the target observations.Experiments on generated street scenes show that grounding target videos in scene dynamics generated by Momentum improves dynamic scene consistency by 126.2% in unseen scenes over static image conditioning, while also improving visual fidelity. Our models and source code will be made publicly available.
• Abstract（参考訳）: ビデオワールドモデルは、シーンが現在のカメラビューを超えてどのように進化するかをキャプチャして、コンテンツが再び現れると一貫した観察を生成する必要があります。 既存のアプローチは、過去のフレームから構築された観測履歴、静的ポイントクラウド、イメージキャッシュに依存している。 これらの表現はしばしば高価であり、さらに重要なことは、視野外のダイナミックなシーンコンテンツを更新することは不可能である:生成された車両や歩行者は、視野を離れた後、または物理的に不正確な状態に再び現れるかもしれない。 我々は、周囲のシーンを共同でカバーする8台のカメラからなるレファレンスカメラリグからの同期ビデオを通して、進化するシーンを表現している。 我々は、これらのリグをグラフで接続し、近隣のリグ間でビデオ生成を伝搬し、場所と時間にわたってシーンのダイナミクスを調整する。 We introduced a two-stage pipeline: WorldUpdate generate a shared memory of scene dynamics, and the WorldInteract grounds camera-control video generation in this evolution memory。 トレーニングと評価を支援するために、参照カメラリグと移動対象カメラからの同期映像をキャプチャするCARLAパイプラインと、生成された世界状態と目標観測の一貫性を測定する評価フレームワークを開発した。 私たちのモデルとソースコードは公開されます。

関連論文リスト

• WorldCrafter: Consistent Video World Model with Implicit 3D-aware Memory [60.18419531120148]
  我々は、この目的のためにカメラクエリ可能な暗黙的な3Dメモリを学ぶビデオワールドモデルであるWorldCrafterを紹介する。 重要な洞察は、要求された視点をビデオジェネレータの限定トークン予算にマルチビューエビデンスを圧縮する方法を形作ることである。 静的および動的シーンにわたる実験では、長距離一貫性とカメラ制御精度が大幅に向上した。
  論文  参考訳（メタデータ） (2026-09-21T17:57:06Z)
• EchoWM: Open and Enterable Omnimodal World Models [71.49148067556887]
  EchoWMは、入力可能な生成メディアのための一様世界モデルである。 720pのビデオ、環境音、音楽、音声を共同生成しながら、継続的なナビゲーションに反応する。
  論文  参考訳（メタデータ） (2026-08-24T12:39:59Z)
• Wonder: Video World Model Done Better [70.28870858365214]
  We present Wonder, a general-purpose video world model for real-time, camera-controllable world exploration。 画像や条件付きビデオが与えられたWonderは、ユーザがカメラを動かして対話的にナビゲートできるプレイ可能な世界を構築する。 本研究では、空間的に整列した動きと向きを与える高密度座標場を用いた新しいカメラコンディショニングを提案する。
  論文  参考訳（メタデータ） (2026-07-28T17:45:25Z)
• 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)
• 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)

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。