論文の概要: TimeLineXR: An Interactive Exploration of Time in Vision-Language Models
- arxiv url: http://arxiv.org/abs/2610.37349v1
- Date: Tue, 27 Oct 2026 14:50:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.665649
- Title: TimeLineXR: An Interactive Exploration of Time in Vision-Language Models
- Title（参考訳）: TimeLineXR:視覚言語モデルにおける対話型時間探索
- Abstract要約: このタイム軸を探索可能な3Dシーンに変換するインタラクティブなデモであるTimeLineXRを紹介します。
Webデモでは、ユーザーは画像をアップロードしたり、選択したりできる。
Three.js WebXRのシーンは、部屋の大きさの表現と同じ時間軸を描画し、それをつかみ、拡大し、検査し、クエリすることができる。
- 参考スコア（独自算出の注目度）: 0.4779196219827507
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, it has been shown that vision-language models (VLMs) have a certain intrinsic understanding of time. They can estimate the temporal origin of objects and encode time along a low-dimensional, non-linear manifold inside their embedding space~\cite{tekaya2025matter}. That result is quantitative and reproducible, but the structure itself stays out of reach for end users: they cannot see it, query it with their own images, or inspect where a query lands relative to other years on the time axis. We present TimeLineXR, an interactive demonstration that turns this time axis into an explorable 3D scene. A web demo lets users upload or select images and see each placed on a color-coded 3D time axis; a Three.js WebXR scene renders the same time axis as a room-scale representation that can be grabbed, scaled, inspected, and queried by throwing image cards into it. Both clients run the same prediction pipeline against the same cached temporal index: encode the query with CLIP, project it through cosine-kernel KPCA, and snap it to the Bézier time axis. The system turns each image into a point on the time axis, so users can compare where different objects land and read off their estimated first year of appearance.Code source and reproduction steps can be found in: https://github.com/sterngefeuert/timeline-xr.
- Abstract（参考訳）: 近年,視覚言語モデル(VLM)には時間に関する固有の理解があることが示されている。
彼らは対象の時間的起源を推定し、埋め込み空間~\cite{tekaya2025matter} 内の低次元の非線形多様体に沿って時間をエンコードすることができる。
この結果は定量的かつ再現可能であるが、構造自体がエンドユーザの手に届かないままであり、それを見たり、自身のイメージで検索したり、クエリが時間軸上で他の年と比較してどこに着くかを調べることはできない。
このタイム軸を探索可能な3Dシーンに変換するインタラクティブなデモであるTimeLineXRを紹介します。
3.js WebXRのシーンは、部屋の大きさの表現と同じ時間軸を描画し、画像カードを投入し、拡大し、検査し、クエリすることができる。
両方のクライアントは、同じキャッシュされた時間インデックスに対して、同じ予測パイプラインを実行している。クエリをCLIPでエンコードし、cosine-kernel KPCAを通じて投影し、Bézier時間軸にスナップする。
このシステムは各画像を時間軸上の点に変換するので、ユーザーは異なる物体がどこに着地したかを比較して、推定初年度の外観を読み取り、コードソースと再生手順は以下の通りである。
関連論文リスト
- Think While You Map: Asynchronous Vision-Language Agents for Incremental 3D Scene Graphs [10.390999817790425]
Open-vocabulary 3D scene graph method は通常、2つの段階で機能する: 最初は再構成し、次に視覚言語モデルに富む。
本稿では,軽量なオンラインマッピングと重み付きセマンティックリファインメントを同時に行う非同期アーキテクチャを提案する。
本手法は, セマンティックセグメンテーションにおいて, 既存のオープンボキャブラリ3次元シーングラフ法に適合するか, 性能を向上する。
論文 参考訳（メタデータ） (2026-06-30T10:49:21Z) - SG2Loc: Sequential Visual Localization on 3D Scene Graphs [108.42363585468458]
本稿では,3次元シーングラフを用いたシーケンシャルな視覚的ローカライゼーションのための,新しい軽量なアプローチを提案する。
コンパクトなシーングラフと効率的なセマンティックマッチングを活用することで,実世界のデータセットの性能を維持しながら,ストレージを大幅に削減する。
論文 参考訳（メタデータ） (2026-06-10T10:03:21Z) - SceneGraphGrounder: Zero-Shot 3D Visual Grounding via Structured Scene Graph Matching [2.4737219202679808]
SceneGrapherは,再構成された3次元シーングラフ上の構造化グラフマッチングとして3次元グラウンドを再構成するフレームワークである。
我々は,移動ロボットによる実世界展開によるフレームワークの実証を行い,長距離物理環境における堅牢な空間推論を実証した。
論文 参考訳（メタデータ） (2026-05-20T22:30:51Z) - What Time Tells Us? An Explorative Study of Time Awareness Learned from Static Images [24.20438071852864]
このことから,静的な画像から時間認識を学習する可能性を探る。
まず、信頼性の高いタイムスタンプを持つ130,906のイメージを含む、時間指向コレクションデータセットを紹介します。
我々は,時系列と関連する視覚表現を協調的にモデル化するための時系列コントラスト学習(TICL)手法を提案する。
論文 参考訳（メタデータ） (2025-03-23T01:56:35Z) - SliceOcc: Indoor 3D Semantic Occupancy Prediction with Vertical Slice Representation [50.420711084672966]
室内3Dセマンティック占有予測に適したRGBカメラベースモデルであるSliceOccを提案する。
EmbodiedScanデータセットの実験結果は、SliceOccが81の屋内カテゴリで15.45%のmIoUを達成したことを示している。
論文 参考訳（メタデータ） (2025-01-28T03:41:24Z) - Continuous 3D Perception Model with Persistent State [111.83854602049222]
広い範囲の3Dタスクを解くことができる統一的なフレームワークを提案する。
我々のアプローチでは、新しい観測毎に状態表現を継続的に更新するステートフルなリカレントモデルが特徴である。
各種3D/4Dタスクにおける本手法の評価を行い,各課題における競合性や最先端性能を実証する。
論文 参考訳（メタデータ） (2025-01-21T18:59:23Z) - SACReg: Scene-Agnostic Coordinate Regression for Visual Localization [16.866303169903237]
本稿では,新しいテストシーンで1回トレーニングされた一般化SCRモデルを提案する。
我々のモデルは、シーン座標をネットワーク重みに符号化する代わりに、スパース2Dピクセルのデータベースイメージを3D座標アノテーションに入力する。
画像のデータベース表現とその2D-3Dアノテーションは,局所化性能を損なうことなく,高度に圧縮できることを示す。
論文 参考訳（メタデータ） (2023-07-21T16:56:36Z) - Visual Localization using Imperfect 3D Models from the Internet [54.731309449883284]
本稿では,3次元モデルにおける欠陥が局所化精度に与える影響について検討する。
インターネットから得られる3Dモデルは、容易に表現できるシーン表現として有望であることを示す。
論文 参考訳（メタデータ） (2023-04-12T16:15:05Z) - One-Shot Neural Fields for 3D Object Understanding [112.32255680399399]
ロボット工学のための統一的でコンパクトなシーン表現を提案する。
シーン内の各オブジェクトは、幾何学と外観をキャプチャする潜在コードによって描写される。
この表現は、新しいビューレンダリングや3D再構成、安定した把握予測といった様々なタスクのためにデコードできる。
論文 参考訳（メタデータ） (2022-10-21T17:33:14Z) - Temporally Consistent Transformers for Video Generation [80.45230642225913]
正確なビデオを生成するには、アルゴリズムは世界の空間的および時間的依存関係を理解する必要がある。
時間依存性のあるビデオ生成を厳格に評価するために、複雑なデータに関する確立されたベンチマークは存在しない。
本稿では,長期間の一貫性を著しく向上し,サンプリング時間を短縮するTemporally Consistent Transformer(TECO)を提案する。
論文 参考訳（メタデータ） (2022-10-05T17:15:10Z) - A Graph Attention Spatio-temporal Convolutional Network for 3D Human
Pose Estimation in Video [7.647599484103065]
我々は,アテンション機構を用いた局所的グローバル空間情報のモデリングにより,人間の骨格における制約の学習を改善する。
提案手法は, 奥行きのあいまいさと自己閉塞性を効果的に軽減し, 半上半身推定を一般化し, 2次元から3次元映像のポーズ推定における競合性能を実現する。
論文 参考訳（メタデータ） (2020-03-11T14:54:40Z)
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。