論文の概要: GameVerse: A Minute-Scale Gameplay Dataset for Long-Horizon Interactive World Modeling

• arxiv url: http://arxiv.org/abs/2610.37257v2
• Date: Thu, 29 Oct 2026 17:13:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.526488
• Title: GameVerse: A Minute-Scale Gameplay Dataset for Long-Horizon Interactive World Modeling
• Title（参考訳）: GameVerse: 長距離インタラクティブワールドモデリングのための1分間のゲームプレイデータセット
• Abstract要約: GameVerseは、長距離インタラクティブな世界モデリングを目的とした、ミニスケールのゲームプレイビデオデータセットである。 GameVerseは1,655時間に69.7Kのクリップと349.6百万のフレームを多種多様な1対3のゲームプレイでカバーしている。
• 参考スコア（独自算出の注目度）: 40.69339363977251
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in interactive world models have made it possible to generate controllable, dynamic environments from action inputs. Yet current models struggle to maintain coherence beyond roughly one minute of rollout, a limitation rooted not in model capacity but in the scarcity of long-horizon training data. Existing gameplay video datasets typically consist of clips under ten seconds, with captions that describe whole clips in coarse and undifferentiated text, which is insufficient for controllable long-horizon generation. We address this with GameVerse, a minute-scale gameplay video dataset purpose-built for long-horizon interactive world modeling. GameVerse contains 69.7K clips spanning 1,655 hours and 349.6 million frames across diverse first- and third-person gameplay, including 1,358 hours of continuous two-minute sequences, an order of magnitude longer than prior datasets. Clips pass through a unified pipeline of scene-consistent segmentation, quality filtering, camera pose estimation, and event-based caption annotation. Each clip is paired with a temporally stable camera trajectory that remains coherent across minutes, together with captions that separate static scene context from dynamic foreground events and align to event boundaries rather than fixed time windows. Comprehensive analysis shows that GameVerse surpasses existing public datasets in scale, diversity, and annotation quality. Experiments further demonstrate that training on GameVerse substantially extends the temporal horizon of interactive world models.
• Abstract（参考訳）: 近年のインタラクティブな世界モデルの発展により、アクション入力から制御可能な動的環境を生成できるようになった。 しかし、現在のモデルは、およそ1分間のロールアウトでコヒーレンスを維持するのに苦労している。 既存のゲームプレイビデオデータセットは、典型的には10秒以下のクリップで構成され、クリップ全体を粗いテキストと未分化のテキストで記述するキャプションは、制御可能なロングホライゾン生成には不十分である。 我々はこれを、長期のインタラクティブな世界モデリングのために構築された、ミニスケールのゲームプレイビデオデータセットGameVerseで解決する。 GameVerseには1,655時間と349.6万フレームにわたる69.7Kのクリップがあり、その中には1,358時間の連続2分間のシーケンスが含まれており、これは以前のデータセットよりも桁違いに長い。 クリップはシーン一貫性セグメンテーション、品質フィルタリング、カメラポーズ推定、イベントベースのキャプションアノテーションの統一パイプラインを通過する。 各クリップは、時間的に安定したカメラ軌跡と、固定時間窓ではなくイベント境界に合わせる静的シーンコンテキストと、動的前景イベントを分離するキャプションとをペアリングする。 包括的な分析によると、GameVerseはスケール、多様性、アノテーションの品質において、既存の公開データセットを上回っている。 さらに、GameVerseでのトレーニングは、インタラクティブな世界モデルの時間的水平線を大幅に広げることを示した。

関連論文リスト

• WorldCrafter: Consistent Video World Model with Implicit 3D-aware Memory [60.18419531120148]
  我々は、この目的のためにカメラクエリ可能な暗黙的な3Dメモリを学ぶビデオワールドモデルであるWorldCrafterを紹介する。 重要な洞察は、要求された視点をビデオジェネレータの限定トークン予算にマルチビューエビデンスを圧縮する方法を形作ることである。 静的および動的シーンにわたる実験では、長距離一貫性とカメラ制御精度が大幅に向上した。
  論文  参考訳（メタデータ） (2026-09-21T17:57:06Z)
• Kairos: A Dataset for Fine-Grained Video-Language Modeling over Space, Time, and Dynamics [72.11325009788095]
  時間分解アノテーションを用いたビデオ言語モデリングのためのビデオデータセットであるKairosを紹介する。 カイロスは10分から30分に及ぶ長編のビデオで構成され、微妙な時間的アライメントで注釈付けされている。
  論文  参考訳（メタデータ） (2026-09-08T13:50:30Z)
• ReWorld: An Interactive World Model with Long-Horizon Memory [43.24590497177396]
  ReWorldは、トレーニング中にコントロールとメモリを分離し、推論時にそれらをバウンドする。 メカニカルスケールのデータエンジンは、8つのソース(非現実的なフライスルー、ゲームローミング、現実世界の映像)を1つの物理アクションスケールに配置する。 1つのバックボーンは高忠実度マルチステップモードとリアルタイムインタラクティブモードの両方を提供する。
  論文  参考訳（メタデータ） (2026-08-24T17:59:05Z)
• Sekai2: From World Exploration to Interactive World Modeling [22.57939715452233]
  Sekai2(セカイ2)は、セカイの世界探査映像をインタラクティブな世界モデリングへ運ぶマルチソースのリアルワールドビデオデータセットである。 リリースには128,892のクリップが含まれている。 すべてのクリップには、被写体の動き、環境のダイナミクス、静的なシーンの内容、カメラの振る舞いを区別する、リリースされたカメラの軌跡と階層的なアノテーションが含まれており、結果として649,597の時間的接地セグメントが生成される。
  論文  参考訳（メタデータ） (2026-08-10T11:23:01Z)
• Wonder: Video World Model Done Better [70.28870858365214]
  We present Wonder, a general-purpose video world model for real-time, camera-controllable world exploration。 画像や条件付きビデオが与えられたWonderは、ユーザがカメラを動かして対話的にナビゲートできるプレイ可能な世界を構築する。 本研究では、空間的に整列した動きと向きを与える高密度座標場を用いた新しいカメラコンディショニングを提案する。
  論文  参考訳（メタデータ） (2026-07-28T17:45:25Z)
• EgoCS-400K: An Egocentric Gameplay Dataset for World Models [53.9389499966106]
  EgoCS-400Kは,世界モデルのための大規模リプレイ・グラウンド型Egocentric Counter-Strikeデータセットである。 パブリックプロのCSとCS2のマッチデモから作られ、人間のゲームプレイの軌跡を保存している。 EgoCS-400Kには、1000以上の試合と4万回以上のラウンドから40万人以上の個人ビデオと1万時間のゲームプレイが含まれている。
  論文  参考訳（メタデータ） (2026-06-16T17:13:58Z)
• SpatialVID: A Large-Scale Video Dataset with Spatial Annotations [58.01259302233675]
  SpaceVIDは、さまざまなシーン、カメラの動き、フレームごとのカメラポーズ、奥行き、動き指示などの密集した3Dアノテーションを備えた、Wildのビデオのデータセットである。 21,000時間以上の生のビデオを収集し、階層的なフィルタリングパイプラインを通して270万のクリップに処理します。 その後のアノテーションパイプラインは、カメラポーズ、深度マップ、ダイナミックマスク、構造化キャプション、シリアライズされたモーションインストラクションなど、これらのクリップを詳細な空間的および意味的な情報で強化する。
  論文  参考訳（メタデータ） (2025-09-11T17:59:31Z)

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。