論文の概要: GeoV2V: Geometry-Grounded Video Diffusion Model for Driving Scene Generation
- arxiv url: http://arxiv.org/abs/2610.25245v1
- Date: Sun, 18 Oct 2026 13:05:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 22:48:09.164522
- Title: GeoV2V: Geometry-Grounded Video Diffusion Model for Driving Scene Generation
- Title（参考訳）: GeoV2V: 走行シーン生成のための幾何周囲映像拡散モデル
- Abstract要約: 本稿では,新しい軌跡に沿って時間的コヒーレントな駆動映像を合成する幾何学的地上映像拡散フレームワークを提案する。
クロスレーン変換を学ぶ上で重要な課題は、実世界のデータセットにおける同期された多軌道監視の欠如である。
また,動的シーン内での同期マルチレーン駆動ビデオの合成データセットであるPara4Dについても紹介する。
- 参考スコア（独自算出の注目度）: 17.24879636306974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Novel view synthesis under trajectory changes is essential for autonomous driving simulation, yet existing methods struggle to generate consistent videos when extrapolating to unseen viewpoints such as lane shifts. Reconstruction-based approaches maintain geometric consistency but degrade in visual quality under large viewpoint changes, while reconstruct-then-restore methods often produce visually plausible frames yet suffer from geometric and temporal inconsistencies. We present GeoV2V, a geometry-grounded video-to-video diffusion framework that synthesizes temporally coherent driving videos along novel trajectories by integrating LiDAR and depth-derived geometric priors with full-video conditioning in the Wan 2.1 backbone. A key challenge in learning cross-lane transformations is the lack of synchronized multi-trajectory supervision in real-world datasets. To address this, we also introduce Para4D, a synthetic dataset capturing synchronized multi-lane driving videos within dynamic scenes, which provides explicit supervision for lane-shift generation and serves as a strong training prior for geometry-consistent view synthesis. Experiments on Waymo, nuScenes, and Para4D demonstrate state-of-the-art performance in visual quality, geometric consistency, and robustness to complex lighting dynamics under large trajectory shifts. Project page: https://xiyuche.github.io/GeoV2V/
- Abstract（参考訳）: 軌道変化下での新しいビュー合成は、自律運転シミュレーションには不可欠であるが、既存の手法では、レーンシフトのような目に見えない視点に外挿する際に一貫したビデオを生成するのに苦労している。
再構成に基づくアプローチは、幾何的整合性を維持するが、大きな視点の変化の下で視覚的品質が低下する一方、再構成・保存法は、幾何学的および時間的不整合に悩まされることなく、視覚的に可視なフレームを生成することが多い。
We present GeoV2V, a geometry-grounded video-to-video diffusion framework that temporally coherent driving video along novel trajectories by integring LiDAR and depth- derived geometry priors with full-video conditioning in the Wan 2.1 backbone。
クロスレーン変換を学ぶ上で重要な課題は、実世界のデータセットにおいて、同期された多軌道監視が欠如していることである。
また、動的シーン内での同期マルチレーン駆動ビデオの合成データセットであるPara4Dを導入し、レーンシフト生成の明示的な監督を提供し、幾何一貫性のあるビュー合成のための強力なトレーニングとして機能する。
Waymo、nuScenes、Para4Dの実験では、大きな軌道シフトの下での複雑な照明力学に対する視覚的品質、幾何的整合性、堅牢性を実証している。
プロジェクトページ: https://xiyuche.github.io/GeoV2V/
関連論文リスト
- Learning to Correct Geometry in Generated Videos [52.88077815116697]
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。
論文 参考訳（メタデータ） (2026-10-16T17:59:55Z) - PRG-Fusion: Orchestrating Generative Priors with Reconstruction Evidence for Driving View Synthesis [16.51293833344591]
本研究では,地域間における生成先行を整理するために,復元証拠を用いたビュー合成を駆動するフレームワークであるPRG-Fusionを提案する。
具体的には、再建された運転シーンから地域的復元証拠を抽出し、保存、修復、生成(PRG)ラベルに変換する。
次に、2段階の訓練パラダイムに従い、まず疎LiDARプロジェクションから幾何学的制御を確立し、次に密度の高い3DGSから外観制御を学ぶ。
論文 参考訳（メタデータ） (2026-09-07T02:34:51Z) - IGGT4D: Streaming 4D Instance-Grounded Geometry Transformer [64.5765465030666]
オンライン4Dシーン理解のためのストリーミングインスタンスグラウンド幾何変換器IGGT4Dを提案する。
IGGT4Dは、ビデオフレームを逐次処理し、因果時空間モデリングを通じて歴史的コンテキストを再利用し、カメラモーション、幾何学、オブジェクトアイデンティティの統一表現を漸進的に更新する。
3次元再構成、ポーズ推定、例空間追跡、オープンボキャブラリセグメンテーションの実験は、IGGT4Dが既存のストリーミングベースラインより優れていることを示した。
論文 参考訳（メタデータ） (2026-07-21T16:00:01Z) - 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) - VideoWeave: Unlocking Geometric Consistency in Video Generation via Joint Geometry-Video Modeling [49.98112719317813]
ビデオ拡散モデルは、時間とともに3D構造を保存できないことが多い。
既存の手法は通常、明示的な幾何再構成を用いて幾何整合を強制する。
我々は,暗黙的幾何モデルを用いて生成分布を制約する潜在空間後学習フレームワークであるVideoWeaveを提案する。
論文 参考訳（メタデータ） (2026-06-12T06:41:13Z) - Epipolar Geometry Improves Video Generation Models [73.44978239787501]
3D一貫性のあるビデオ生成は、生成および再構成タスクにおける多くの下流アプリケーションに大きな影響を与える可能性がある。
エピポーラ幾何学的制約が現代のビデオ拡散モデルをどのように改善するかを考察する。
データ駆動型ディープラーニングを古典的幾何学的コンピュータビジョンでブリッジすることで、空間的に一貫したビデオを生成する実用的な方法を提案する。
論文 参考訳（メタデータ） (2025-10-24T16:21:37Z) - 4D Driving Scene Generation With Stereo Forcing [62.47705572424127]
現在の生成モデルは、時間外挿と空間的新規ビュー合成(NVS)をシーンごとの最適化なしで同時にサポートする動的4D駆動シーンの合成に苦慮している。
PhiGenesisは、幾何学的・時間的整合性を持った映像生成技術を拡張する4次元シーン生成のための統合フレームワークである。
論文 参考訳（メタデータ） (2025-09-24T15:37:17Z) - 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)
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。