論文の概要: Learning to Correct Geometry in Generated Videos

• arxiv url: http://arxiv.org/abs/2610.23856v1
• Date: Fri, 16 Oct 2026 17:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.064852
• Title: Learning to Correct Geometry in Generated Videos
• Title（参考訳）: 生成ビデオにおける幾何学の正しさの学習
• Abstract要約: ウェブスケールのビデオコーパスでは、最も目に見える動きは静的または弱い動きのカメラで捉えたダイナミックな物体から来ている。 本稿では,合成対監督に基づく映像合成モデルであるVGC(Video Geometry Corrector)を提案する。 ポーズ条件付きおよびプロンプト駆動ベンチマークの実験は、VGCが複数のソースジェネレータ間の幾何的一貫性を改善することを示している。
• 参考スコア（独自算出の注目度）: 52.88077815116697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generated videos often lose geometric consistency under camera motion: structures warp under viewpoint change, parallax becomes inconsistent, and smooth camera movement may collapse into shot-like transitions. We argue that this failure is largely a data problem. In web-scale video corpora, most visible motion comes from dynamic objects captured by static or weakly moving cameras, leaving only sparse supervision for viewpoint-induced appearance changes. To address this, we propose Video Geometry Corrector (VGC), a post-hoc video-to-video model trained on synthetic paired supervision. Starting from real videos with diverse camera motion and pose annotations, we construct VG-Pairs with a synthetic paired-supervision data generation pipeline. Each video clip is treated as a geometry-consistent target and paired with a distorted counterpart synthesized by a pretrained image-to-video inpainting model using trajectory-adaptive keyframes. VGC learns to map the distorted input to the geometry-consistent target without modifying the source generator, and uses optical flow as an auxiliary cue to help disentangle camera motion from object motion. Experiments on pose-conditioned and prompt-driven benchmarks show that VGC improves geometric consistency across multiple source generators, and scaling to a larger backbone further extends the framework toward more general video refinement.
• Abstract（参考訳）: ビデオは、カメラの動きによって幾何学的整合性を失うことが多く、視点の変化の下では構造が歪められ、視差は矛盾し、スムーズなカメラの動きはショットのような遷移に崩壊する可能性がある。 この失敗は、主にデータの問題である、と私たちは主張する。 ウェブスケールのビデオコーパスでは、ほとんどの目に見える動きは、静的または弱い動きのカメラによって捉えられたダイナミックな物体に由来する。 そこで本研究では,合成対監督に基づくビデオ・ツー・ビデオ・モデルであるVGC(Video Geometry Corrector)を提案する。 多様なカメラモーションとポーズアノテーションを持つ実ビデオから始まり、合成ペア・スーパービジョンデータ生成パイプラインを用いてVG-Pairsを構築する。 各ビデオクリップは、ジオメトリ一貫性のあるターゲットとして扱われ、軌道適応キーフレームを用いて予め訓練された画像から映像への塗装モデルで合成された歪んだターゲットとペアリングされる。 VGCは、歪んだ入力をソースジェネレータを変更することなくジオメトリ一貫性のあるターゲットにマッピングすることを学び、光学フローを補助キューとして使用して、カメラの動きを物体の動きから遠ざけるのに役立つ。 ポーズ条件付きおよびプロンプト駆動ベンチマークの実験では、VGCは複数のソースジェネレータ間の幾何的一貫性を改善し、より大きなバックボーンへのスケーリングにより、より一般的なビデオ改善に向けてフレームワークをさらに拡張している。

関連論文リスト

• 4Director: Controlling Video World Models with Rigid 3D Geometry [17.644720801654294]
  明示的な4Dシーン表現に基づくビデオワールドモデルである4Directorを紹介する。 各オブジェクトは、入力画像から標準メッシュとして一度再構成され、フレーム毎に所定の1つの剛性変換によって移動される。 Motion Adapterは、この幾何学的足場をビデオに変換し、ビュー一貫性のある外観、照明、非剛体力学を合成する。
  論文  参考訳（メタデータ） (2026-10-01T17:52:58Z)
• MVTrack4Gen: Multi-View Point Tracking as Geometric Supervision for 4D Video Generation [50.65653874052261]
  MVTrack4Genは、カメラコンディショニングのみの新規ビュービデオ拡散モデルのためのモーションアウェアトレーニングフレームワークである。 我々の重要な発見は、特定の注意層が強い対応の手がかりを符号化することであり、そこでは、クエリ機能は幾何学的に対応する場所で重要な特徴に付随する。 これらの動き認識対応を明示的に強化することにより、MVTrack4Genは既存のモデルを改善し、参照ビューにおける動きをより良く追従し、クロスビューの幾何的一貫性を維持する。
  論文  参考訳（メタデータ） (2026-06-24T17:56:33Z)
• GeoFlow: Enforcing Implicit Geometric Consistency in Video Generation [46.507099021313074]
  生成した映像中の動きがコヒーレントなシーンと互換性があるかどうかを測定する。 我々はこれを光学的流れ、奥行き予測、および剛性領域と動的領域の分離に対応する特徴ベースの対応を用いて運用する。 実験は、知覚品質を保ちながら、強いベースライン上での時間的幾何学的アーティファクトの大幅な減少を示す。
  論文  参考訳（メタデータ） (2026-05-18T13:17:08Z)
• GeoNVS: Geometry Grounded Video Diffusion for Novel View Synthesis [73.97869945427645]
  GeoNVSは、幾何学的忠実度とカメラ制御性の両方を明示的な3D幾何学的ガイダンスによって強化する新規なビューシンセサイザーである。 GS-Adapterは3次元ガウス表現に入力ビュー拡散特徴を持ち上げ、幾何学的に矛盾しない表現を補正するために拡散特徴を適応的に融合させる。 9シーンと18設定の実験では最先端のパフォーマンスを示し、SEVAやCameraCtrlよりも11.3%、14.9%改善されている。
  論文  参考訳（メタデータ） (2026-03-16T08:23:00Z)
• Vid-CamEdit: Video Camera Trajectory Editing with Generative Rendering from Estimated Geometry [41.904066758259624]
  ビデオカメラトラジェクトリ編集のための新しいフレームワークであるVid-CamEditを紹介する。 我々のアプローチは、時間的に一貫した幾何を推定する2つのステップと、この幾何学によって導かれる生成的レンダリングからなる。
  論文  参考訳（メタデータ） (2025-06-16T17:02:47Z)
• LiftImage3D: Lifting Any Single Image to 3D Gaussians with Video Generation Priors [107.83398512719981]
  シングルイメージの3D再構成は、コンピュータビジョンの根本的な課題である。 遅延ビデオ拡散モデルの最近の進歩は、大規模ビデオデータから学ぶ有望な3D事前情報を提供する。 本稿では,LVDMの生成先行情報を効果的にリリースするフレームワークであるLiftImage3Dを提案する。
  論文  参考訳（メタデータ） (2024-12-12T18:58:42Z)
• Decoupling Dynamic Monocular Videos for Dynamic View Synthesis [50.93409250217699]
  動的モノクロビデオからの動的ビュー合成の課題を教師なしで解決する。 具体的には、動的物体の運動を物体の動きとカメラの動きに分離し、教師なし表面の整合性およびパッチベースのマルチビュー制約によって規則化する。
  論文  参考訳（メタデータ） (2023-04-04T11:25:44Z)

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。