論文の概要: HorizonComposer: Spatiotemporally Consistent Driving Video Editing with Enriched Traffic Semantics

• arxiv url: http://arxiv.org/abs/2610.28829v1
• Date: Tue, 20 Oct 2026 18:51:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.127163
• Title: HorizonComposer: Spatiotemporally Consistent Driving Video Editing with Enriched Traffic Semantics
• Title（参考訳）: HorizonComposer: リッチトラフィックセマンティクスによる時空間連続運転ビデオ編集
• Abstract要約: 「汎用指導誘導ビデオエディターは、しばしばトラフィックセマンティクスを腐敗させ、構造的幻覚と時間的ショックに繋がる」 この研究は、ビデオ編集中のトラフィックの意味を3つのレベルで蒸留し、保護する。
• 参考スコア（独自算出の注目度）: 53.8121080280996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instruction-guided video generative models offer a scalable solution for stress-testing autonomous driving systems by simulating diverse environmental conditions. However, driving scenes operate within a dense Operational Design Domain (ODD) governed by strict traffic semantics. When applied to global driving-condition edits, general-purpose instruction-guided video editors frequently corrupt these semantics, leading to structural hallucinations and ``temporal shock.'' This work distills and protects traffic semantics during video editing at three levels. First, we construct a hybrid dataset by combining temporally aligned real-world videos with synthetic edits, balancing foundational scene structure with unambiguous appearance signals. Second, during training, we adapt advantage conditioning from offline reinforcement learning to align the model using dense rewards. We extract dense, pixel-level rewards from the hybrid data to serve as a localized signal and actively steer generation toward structurally reliable pixels. Finally, our model mitigates temporal shock by introducing thinking frames, a transition mechanism that seamlessly reconciles static image conditioning with dynamic video context. Extensive experiments demonstrate that our method prevents the corruption of multi-actor dynamics, establishing state-of-the-art spatiotemporal consistency, yielding consistent user preference (39% relative improvement in content preservation and 12% in temporal consistency), and achieving a significant 5% gain in downstream road line segmentation and 7% gain in downstream multi-object detection.
• Abstract（参考訳）: インストラクション誘導ビデオ生成モデルは、多様な環境条件をシミュレートすることで、ストレステスト自律運転システムにスケーラブルなソリューションを提供する。 しかし、運転シーンは厳密なトラフィックセマンティクスによって管理される密集した操作設計ドメイン(ODD)内で動作している。 グローバルな運転条件編集に適用すると、汎用的な指導指導ビデオエディタはこれらの意味論を頻繁に腐敗させ、構造的幻覚や「時間的ショック」を引き起こす。 「」この作業は、ビデオ編集中に3段階のトラフィックの意味を蒸留し、保護する。 まず、時間的に整列した現実世界のビデオと合成編集を組み合わせて、基礎的なシーン構造とあいまいな外観信号のバランスをとるハイブリッドデータセットを構築する。 第二に、トレーニング中にオフライン強化学習から有利条件に適応し、密集した報酬を用いてモデルを整列させる。 ハイブリッドデータから高密度の画素レベルの報酬を抽出し、局所的な信号として機能し、構造的に信頼性の高い画素に対して積極的にステア・ジェネレーションを行う。 最後に,静的な画像条件を動的ビデオコンテキストでシームレスに調整する遷移機構である思考フレームを導入することにより,時間的ショックを緩和する。 広汎な実験により,本手法はマルチアクタダイナミックスの破損を防止し,最先端の時空間整合性を確立し,一貫したユーザ嗜好(39%がコンテンツ保存の改善,12%が時間的整合性)を達成し,下流の道路線セグメンテーションで5%,下流の多物体検出で7%のゲインを達成できた。

関連論文リスト

• InfiniVerse: Occupancy Guided Unbounded Scene Generation for Autonomous Driving [70.7737035270887]
  InfiniVerseは、単一のフレームから動的都市シーンを合成するための統合パイプラインである。 InfiniVerseは6.4のFIDと67.97のFVDで最先端のパフォーマンスを達成し、持続時間と安定性の両方で既存のベンチマークを著しく上回っている。
  論文  参考訳（メタデータ） (2026-06-30T04:08:22Z)
• AnyScene: Towards Highly Controllable Driving Scene Generation at Anywhere and Beyond [34.2135689224471]
  AnySceneは、シーン生成を駆動するための統一された占有中心のフレームワークである。 空間時間占有拡散変換器を用いて、BEVレイアウトからセマンティック占有シーケンスを生成する。 生成した占有に基づいて、Geometry-Grounded View Expansionモジュールは、占有を標準空間表現として扱う。
  論文  参考訳（メタデータ） (2026-05-25T17:59:48Z)
• DriveCtrl: Conditioned Sim-to-Real Driving Video Generation [16.424889754682727]
  DriveCtrlは、リアルな駆動ビデオ合成のための制御可能なsim-to-realビデオ生成フレームワークである。 シミュレーション映像をリアルな実世界のデータセットの視覚スタイルに合わせたリアルな運転映像に変換するスケーラブルなデータ生成パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-05-14T17:29:35Z)
• ReinDriveGen: Reinforcement Post-Training for Out-of-Distribution Driving Scene Generation [61.64162666162948]
  ReinDriveGenは動的駆動シーンのフルコントロールを可能にするフレームワークである。 提案手法は,マルチフレームLiDARデータから動的3Dポイントクラウドシーンを構築する。 提案手法では,映像拡散モデルを用いてリアルな運転映像を合成する2次元条件画像に編集シーンを描画する。
  論文  参考訳（メタデータ） (2026-04-01T16:48:20Z)
• FAR-Drive: Frame-AutoRegressive Video Generation in Closed-Loop Autonomous Driving [11.275815014211046]
  自律運転のための学習ベースのクローズドループシミュレータの構築は、3つの大きな課題を提起する。 長期の時間的・横断的な一貫性、反復的自己条件下での自己回帰劣化の緩和、低遅延推論制約を満たす。 自動運転のためのフレームレベル自動回帰ビデオ生成フレームワークであるFAR-Driveを提案する。
  論文  参考訳（メタデータ） (2026-03-16T07:40:13Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• DriveGen3D: Boosting Feed-Forward Driving Scene Generation with Efficient Video Diffusion [62.589889759543446]
  DriveGen3Dは、高品質で制御可能な動的3D駆動シーンを生成するための新しいフレームワークである。 本研究は,映像の高速化と大規模動的シーン再構築を融合させることにより,この手法のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2025-10-17T03:00:08Z)
• STAGE: A Stream-Centric Generative World Model for Long-Horizon Driving-Scene Simulation [42.73124501421074]
  STAGEは、階層的な特徴調整と、持続可能なビデオ合成のためのマルチフェーズ最適化の先駆けとなる自動回帰フレームワークである。 HTFTはビデオ生成プロセスを通してビデオフレーム間の時間的一貫性を高める。 我々はNuscenesデータセット上で600フレームの高品質なドライビングビデオを生成しました。
  論文  参考訳（メタデータ） (2025-06-16T06:53:05Z)

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。