論文の概要: ActionRoPE: action as coordinates for spatially consistent control in planar-camera game world models
- arxiv url: http://arxiv.org/abs/2610.25861v1
- Date: Mon, 19 Oct 2026 06:16:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.32062
- Title: ActionRoPE: action as coordinates for spatially consistent control in planar-camera game world models
- Title（参考訳）: ActionRoPE:平面カメラゲームワールドモデルにおける空間的一貫した制御のための座標としてのアクション
- Abstract要約: アクションコントロールはゲームモデルでの機能条件付けとして実装されている。
本稿では,アクション駆動カメラの変位を世界座標回転位置に変換するパラメータフリーインタフェースであるActionRoPEを紹介する。
提案手法は命令運動をより忠実に追従し,最強ベースライン上の再訪ドリフトを66%削減することを示す。
- 参考スコア（独自算出の注目度）: 11.166368356232155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Game world models have made rapid progress toward real-time interactive generation. Yet action control is still predominantly implemented as feature conditioning, leaving the model to learn from training data how each action should move the visual world. This formulation is poorly matched to a broad class of planar-camera worlds, such as top-down and isometric games. In these worlds, player motion induces a geometrically well-defined planar camera displacement. We observe that the key to spatially consistent control in such worlds is to represent the effect of each action directly in world coordinates. To this end, we introduce ActionRoPE, a parameter-free action interface that converts action-driven camera displacement into world-coordinate rotary positions. As a result, tokens corresponding to the same world location retain the same positional address across time. These world coordinates further expose a spatial asymmetry in generation: regions covered by the initial observation are geometrically known, while newly revealed regions remain to be synthesized. We therefore propose Coordinate-Conditioned Noise Scheduling (CNS), which assigns token-wise denoising schedules according to this known-new structure. It allows observed regions to stabilize earlier, while new content is generated with reference to them. Compared with four representative action-conditioning mechanisms, our approach follows the commanded motion more faithfully and reduces the revisit drift by 66% over the strongest baseline. The same interface transfers across video backbones from 1.3B to 33B parameters and to out-of-distribution scenes. Project Page: https://teawhite.cn/ActionRoPE/
- Abstract（参考訳）: ゲームワールドモデルは、リアルタイムのインタラクティブな生成に向けて急速に進歩した。
しかし、アクション制御は依然として機能条件付けとして実装されており、各アクションがどのようにビジュアル世界を動かすべきかをトレーニングデータから学ぶためのモデルを残している。
この定式化は、トップダウンゲームや等尺ゲームのような広い種類の平面カメラの世界とよく一致しない。
これらの世界では、プレイヤーの動きは幾何学的に明確に定義された平面カメラの変位を誘導する。
このような世界における空間的一貫した制御の鍵は、各行動の効果を世界座標で直接表現することである。
この目的のために,アクション駆動カメラの変位を世界座標回転位置に変換するパラメータフリーなアクションインタフェースであるActionRoPEを紹介する。
その結果、同じ世界位置に対応するトークンは、時間にわたって同じ位置アドレスを保持する。
これらの世界座標は、生成時の空間的非対称性をさらに表わし、初期観測で覆われた領域は幾何学的に知られており、新たに発見された領域は合成される。
そこで本研究では,CNS(Coordinate-Conditioned Noise Scheduling)を提案する。
観察された領域を早期に安定化させ、新しいコンテンツはそれらを参照して生成される。
提案手法は, 4つの代表的な動作条件機構と比較して, 命令動作をより忠実に追従し, 最強ベースライン上での修正ドリフトを66%低減する。
同じインタフェースは、ビデオのバックボーンを1.3Bから33Bパラメータに転送し、アウト・オブ・ディストリビューションシーンに転送する。
Project Page: https://teawhite.cn/ActionRoPE/
関連論文リスト
- UniState: Unifying Memory and Intervention for Controllable World Simulation [20.514145794692553]
統一された世界状態表現上に構築された制御可能な世界シミュレーションのためのフレームワークであるUniStateを紹介する。
ユーザーは空間記憶内の物体の動きを指定し、その結果の世界状態が観察されるカメラ軌跡を独立に選択する。
論文 参考訳（メタデータ） (2026-10-18T17:12:56Z) - UNITAS: A 3D-Native World Action Model for Embodied Manipulation [65.5089751130735]
UNITASは、各インタラクション内の共有メトリック3Dフレーム内の観察、アクション、シーンダイナミクスを統一する最初の3Dネイティブな世界アクションモデルである。
1.7Bパラメータで、UNITASはRoboTwin上で最高のアクション条件のシーン予測を達成する。
論文 参考訳（メタデータ） (2026-10-08T15:02:50Z) - WAM4D: Fast 4D World Action Model via Spatial Register Tokens [52.16661403052964]
WAM4Dは,軽量空間レジスタトークンを用いた高速4次元世界アクションモデルである。
WAM4Dは空間的整合性を向上し,効率的な推論を維持しつつ,競争力のある動作予測を実現する。
論文 参考訳（メタデータ） (2026-06-12T02:49:34Z) - Making Foresight Actionable: Repurposing Representation Alignment in World Action Models [57.23863557252883]
World Action Models (WAMs)は、ビデオ生成モデルを使用して将来のシーンの進化をモデル化することで、ロボット操作のための有望なルートを提供する。
目に見える未来を生み出すことは 必ずしも正確な行動の抽出を 保証するとは限らない
本稿では,Action-Grounded Representation Alignmentの目的であるAGRAを提案する。
論文 参考訳（メタデータ） (2026-06-10T15:31:25Z) - WorldCraft: From Camera Navigation to Object Manipulation in Interactive Video World Models [32.26032900976109]
カメラナビゲーションからオブジェクトレベルのトラジェクトリアクションまで,インタラクティブなビデオワールドモデルを拡張するフレームワークであるWorldCraftを紹介する。
ユーザクリックとスケッチされたパスが与えられたら、WorldCraftは、選択したオブジェクトが所定の軌跡に従う将来のフレームを生成する。
実験により、WorldCraftは正確なオブジェクト制御を可能にし、カメラのみの評価の下でビデオベースのワールドモデルのカメラ忠実性を保ち、長期の自己回帰ロールアウトでオブジェクト状態を維持することが示されている。
論文 参考訳（メタデータ） (2026-05-24T13:40:42Z) - MoCapAnything V2: End-to-End Motion Capture for Arbitrary Skeletons [56.68975315643491]
本稿では,ビデオ・ツー・ローテーションとビデオ・ツー・ローテーションを共同で学習し,最適化する,最初のエンドツーエンドフレームワークを提案する。
本手法は, メッシュベースパイプラインの20倍の速度で, 回転誤差を17度から10度, 見えない骨格では6.54度に低減する。
論文 参考訳（メタデータ） (2026-04-30T17:16:38Z) - WorldCam: Interactive Autoregressive 3D Gaming Worlds with Camera Pose as a Unifying Geometric Representation [47.97929550105451]
我々は、地上での即時動作制御と長期3次元一貫性を統一した幾何学的表現として、カメラのポーズを確立する。
本手法は, アクション制御性, 長時間の視覚的品質, 3次元空間の整合性において, 最先端の対話型ゲームワールドモデルよりも大幅に優れる。
論文 参考訳（メタデータ） (2026-03-17T17:59:56Z) - Towards Spatio-Temporal World Scene Graph Generation from Monocular Videos [17.190262848866396]
本稿では,Action Genomeの映像をフィードフォワード3D再構成により4DシーンにアップグレードするデータセットであるActionGenome4Dを紹介する。
次に、各タイムスタンプでワールドシーングラフを構築するタスクであるワールドシーングラフ生成(WSGG)を定式化する。
我々は3つの補完的手法を提案し、それぞれが観測されていない物体について推論するための異なる帰納バイアスを探索する。
論文 参考訳（メタデータ） (2026-03-13T17:18:03Z) - Olaf-World: Orienting Latent Actions for Video World Modeling [100.96069208914957]
アクションコントロール可能な世界モデルのスケーリングは、アクションラベルの不足によって制限される。
大規模受動的ビデオから行動条件付きビデオワールドモデルを事前訓練するパイプラインであるOraf-Worldを紹介する。
論文 参考訳（メタデータ） (2026-02-10T18:58:41Z) - Camera Motion Agnostic 3D Human Pose Estimation [8.090223360924004]
本稿では,世界座標系で定義された3次元人間のポーズとメッシュを予測するためのカメラモーション非依存アプローチを提案する。
本稿では,局所的なポーズ列から大域的な動き列を予測する双方向ゲート再帰単位(GRU)に基づくネットワークを提案する。
移動カメラ環境において構築された3DPWと合成データセットを用いて評価を行う。
論文 参考訳（メタデータ） (2021-12-01T08:22:50Z)
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。