論文の概要: World-in-Context: Interactive Video World Modeling with In-Context Conditioning

• arxiv url: http://arxiv.org/abs/2610.33169v1
• Date: Fri, 23 Oct 2026 18:05:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.262291
• Title: World-in-Context: Interactive Video World Modeling with In-Context Conditioning
• Title（参考訳）: World-in-Context: In-Context Conditioningを用いたインタラクティブなビデオワールドモデリング
• Abstract要約: In-Context Conditioning (ICC) を利用したインタラクティブなビデオワールドモデリングフレームワーク World-in-Context を提案する。 ICCは、ビュー、アクション、カメラコントロールを共有自己注意空間内で直接コンテキスト化された明示的なトークンに統一する。 我々の定式化によると、(i)明示的なビュートークンは、矛盾するダイナミクスを解き、単一ビューデータからの創発的なビュースイッチをアンロックする一方、(ii)アクションとカメラ入力は、局所的な応答性とグローバルな安定性を管理するのに相補的な役割を担っている。
• 参考スコア（独自算出の注目度）: 24.05478163842973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interactive video world models require coordinated control over viewing perspectives, character actions, and camera motion. Existing methods typically leave view modes implicit in text captions, conflate action with camera motion, and inject controls through fragmented architectural pathways that capture interdependencies only indirectly. In this work, we present World-in-Context, an interactive world modeling framework powered by In-Context Conditioning (ICC). Rather than relying on specialized conditioning pathways, World-in-Context unifies view, action, and camera controls into explicit tokens contextualized directly within a shared self-attention space. Our formulation reveals that (i) explicit view tokens disentangle conflicting dynamics and unlock emergent view switching from single-view data, while (ii) action and camera inputs play complementary roles in governing local responsiveness and global stability. To preserve temporal continuity across execution intervals, we further introduce Interaction-Transport RoPE (IT-RoPE), parameterizing temporal attention with accumulated control transitions. On WBench, World-in-Context-5B achieves navigation performance on par with 22B EchoWM ($81.5$ vs. $81.6$) and attains a $93.8\%$ perspective-switching success rate, substantially outperforming existing 5B baselines ($18.8\%$). Controlled analyses further demonstrate compounding advantages of World-in-Context under richer conditioning mixtures, favorable data efficiency, and natural applicability to causal rollouts.
• Abstract（参考訳）: インタラクティブなビデオワールドモデルは、視点、キャラクターアクション、カメラモーションを協調的に制御する必要がある。 既存の方法は、通常、テキストキャプションに表示モードを暗黙に残し、カメラモーションでアクションを記述し、間接的にのみ依存性をキャプチャする断片化されたアーキテクチャパスを通じて制御を注入する。 In-Context Conditioning (ICC) を利用したインタラクティブな世界モデリングフレームワーク World-in-Context を提案する。 特別な条件付け経路に頼るのではなく、World-in-Contextはビュー、アクション、カメラコントロールを共有自己注意空間内で直接コンテキスト化された明示的なトークンに統一する。 私たちの定式化はそれを明らかにします (i)明示的なビュートークンは、競合するダイナミクスを混乱させ、単一ビューデータからの創発的なビュースイッチをアンロックする一方で、 (ii) 局所応答性とグローバル安定性の制御において, アクションとカメラ入力が相補的な役割を担っている。 実行間隔間の時間的連続性を維持するために,制御遷移の蓄積による時間的注意のパラメータ化を行うInteraction-Transport RoPE(IT-RoPE)を導入する。 WBenchでは、World-in-Context-5Bは22B EchoWM (81.5$ vs. 81.6$)と同等の航法性能を達成し、視線スイッチング成功率を93.8 %とし、既存の5Bベースライン(18.8 %$)を大幅に上回っている。 制御された分析により、よりリッチな条件付き混合条件下でのWorld-in-Contextの複合的利点、良好なデータ効率、因果ロールアウトへの自然な適用性がさらに証明された。

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)
• OneLA: Learning Many Worlds from Latent Actions [14.357753542945268]
  OneLAは、共有辞書と共通の予測目標を通じて、継続的な潜伏アクションを学ぶフレームワークである。 潜在アクションとカーレンタルの視覚状態に基づいて、世界モデルは制御可能なロールアウトのためのコンテキスト依存の遷移を予測する。
  論文  参考訳（メタデータ） (2026-10-14T13:14:53Z)
• SyncWorld: Visual Calibration Enables World Models as Zero-Shot Simulators [61.95179776027961]
  SyncWorldはアクション条件付き世界モデルで、追加のトレーニングなしで、目に見えない環境を横断するゼロショットシミュレータとして機能する。 視覚的校正コンテキストを用いたトレーニングは、視覚的証拠を通して行動を理解するモデルを教える。 実験の結果、SyncWorldは以前見つからなかった設定でアクションの結果を正確にシミュレートできることがわかった。
  論文  参考訳（メタデータ） (2026-09-08T17:59:47Z)
• WorldExam: Benchmarking World Models from Apparent Appearance to Inherent Reactivity [75.96851880065331]
  ビジュアル品質、制御の整合性、空間整合性、世界反応性の4つのレベルにまたがる診断ベンチマークであるWorldExamを紹介した。 8つのタスクにまたがる1,474のケースで構成され、カメラ、アクション、言語駆動モデルパラダイムの統一的な評価をサポートする。 カメラ駆動型モデルはカメラ制御に優れるが,インターフェースは動的相互作用をサポートしていない。
  論文  参考訳（メタデータ） (2026-08-03T17:59:54Z)
• M$^\text{4}$World: A Multi-view Multimodal Driving World Model for Interactive Object Manipulation and Minute-long Streaming [26.912855667055307]
  M$text4$Worldはマルチビューおよびマルチモーダル生成駆動世界モデルである。 微粒なオブジェクト操作はフレキシブルなコンディショニングインタフェースによって実現される。 安定した分長ストリーミングは、マルチステージのトレーニングフレームワークを通じて実現される。
  論文  参考訳（メタデータ） (2026-07-15T16:36:33Z)
• DisCo: World Models with Discrete Camera Motion Control [79.86256515640231]
  本研究では、離散アクションプリミティブのコンパクトなセットで生成し、アクション分離性を改善する制御可能なビデオワールドモデルであるDisCoを提案する。 DisCoは、視覚的品質を維持しながら、はるかに信頼性の高いアクションを達成する。
  論文  参考訳（メタデータ） (2026-06-06T03:50:45Z)
• 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)
• A Unified Framework for Event-based Frame Interpolation with Ad-hoc Deblurring in the Wild [72.0226493284814]
  本稿では,デブロリングアドホックを行うイベントベースフレームの統一フレームワークを提案する。 我々のネットワークは、フレーム上の従来の最先端の手法、単一画像のデブロアリング、および両者のジョイントタスクを一貫して上回ります。
  論文  参考訳（メタデータ） (2023-01-12T18:19:00Z)

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。