論文の概要: FutureWorld: A Plug-and-Play Causal Next-State Predictor for Interactive Video World Exploration
- arxiv url: http://arxiv.org/abs/2610.39619v1
- Date: Thu, 29 Oct 2026 08:47:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 23:11:56.834361
- Title: FutureWorld: A Plug-and-Play Causal Next-State Predictor for Interactive Video World Exploration
- Title（参考訳）: FutureWorld:インタラクティブなビデオワールド探索のためのプラグイン・アンド・プレイの次世代予測ツール
- Abstract要約: 履歴に基づく手法はシーンコンテンツを保存するためにラテントを再利用するが、3つの制限がエラー再循環に寄与する。
クロスモデル適応性と予測誘導変調を備えたC-NCP(C-Chunk Next-Chunk Predictor)を提案する。
- 参考スコア（独自算出の注目度）: 30.939201040621583
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interactive video world models aim to follow user actions while maintaining scene consistency over extended interactions. History-based methods reuse generated latents to preserve scene content, but three limitations of this reuse contribute to error recirculation. 1) The latent generated at each interaction is retained as history, potentially containing blurred details, geometric distortions, or semantic drift. 2) Although retrieved historical content matches the current scene, it can still contain errors that are carried into the next chunk. 3) New outputs then become history for later interactions, potentially reinforcing the same errors through repeated reuse. To limit this cycle, we aim to predict the future scene state from the current generated latent and the next action before generating the next interaction's video chunk. This future-state prior provides guidance for the next chunk, with the aim of reducing the errors carried forward from history. To this end, we propose a plug-and-play Causal Next-Chunk Predictor (C-NCP) with cross-model adaptability and prediction-guided modulation. We integrate C-NCP into four base generators and evaluate the augmented models across three benchmarks for interactive long-video generation and action-conditioned world modeling. Extensive experiments demonstrate reduced error accumulation and improved long-horizon consistency across diverse generation settings. The project page is at https://GuangYuanKK.github.io/futureworld.
- Abstract（参考訳）: インタラクティブなビデオワールドモデルは、拡張されたインタラクションに対するシーン一貫性を維持しながら、ユーザーアクションに従うことを目的としている。
ヒストリーベースの再利用手法はシーンコンテンツを保存するためにラテントを生成するが、この再利用の3つの制限はエラー再循環に寄与する。
1) 各相互作用で発生する潜水剤は歴史として保持され, ぼやけた細部, 幾何学的歪み, 意味的ドリフトを含む可能性がある。
2) 検索した履歴コンテンツは現在のシーンと一致するが,次のチャンクに挿入されるエラーを含むことができる。
3) 新しい出力は後続のインタラクションの履歴となり、再利用を繰り返して同じエラーを補強する可能性がある。
このサイクルを制限するため、次のインタラクションのビデオチャンクを生成する前に、現在のラテントと次のアクションから将来のシーン状態を予測することを目指している。
この将来の状態は、歴史から引き起こされるエラーを減らすことを目的として、次のチャンクのガイダンスを提供する。
この目的のために,クロスモデル適応性と予測誘導変調を備えたC-NCP(C-Chunk Next-Chunk Predictor)を提案する。
C-NCPを4つのベースジェネレータに統合し、インタラクティブな長ビデオ生成とアクション条件付き世界モデリングのための3つのベンチマークで拡張モデルを評価する。
大規模な実験では、エラーの蓄積が減少し、様々な生成環境における長い水平一貫性が向上した。
プロジェクトページはhttps://GuangYuanKK.github.io/futureworld.comにある。
関連論文リスト
- Hy-Nomas: Towards Free-form Interactive World Generation [58.93226301899364]
Hy-Nomasは8B拡散バックボーンを備えたビデオワールドモデルで、フリーフォームのテキスト命令と連続カメラ制御をサポートする。
それは、現在の入力とキャッシュされた履歴に条件付けられた可変長セグメントを生成する。
視覚言語であるPrompt Enhancerは、ユーザリクエストとマルチモーダルインタラクション履歴を次のセグメントの構造化条件に変換する。
論文 参考訳（メタデータ） (2026-10-27T06:48:59Z) - Recast the Past: Stable Long Video Generation with Full Context Memory [86.51692608974945]
ReCamは、歴史的潜伏者の局所的なブロックをプロジェクトにグループ化し、それらを高次元の隠れた空間に直接緩和する。
Transformerモデルは、ネイティブな自己アテンションを通じて結果のトークンを使用することを学び、完全な履歴へのブロックレベルアクセスを維持しながら、メモリトークン数を削減します。
評価手法のうち,ReCamは,R2M-Bench上でのVhorizon-Long総合スコア80.1と,競合する静的・シーンの再現性能を最高に達成している。
論文 参考訳（メタデータ） (2026-10-20T10:27:07Z) - Remembering What Matters for Long-Horizon Robotic World Models [64.28254560014945]
ReCAP(Receding Context with Anchor Preservation)は、長距離ロボットビデオワールドモデルのためのトレーニング不要なコンテキストスケジューリング手法である。
凍結自己回帰世界モデルを用いてRT-1,BridgeV2,LIBERO-90,CALVIN上のReCAPを評価する。
論文 参考訳（メタデータ） (2026-10-10T05:01:17Z) - Robust Dreamer: Deviation-Aware Latent Gaussian Memory for Action-Controlled AR Video Generation [89.70897512515477]
アクション制御された画像対ビデオ生成は、インタラクティブな世界シミュレーションにおいて有望なパラダイムであり、各制御信号が即時視覚応答を誘発する。
長時間の自己回帰的なロールアウトに対する視覚的忠実さと3D一貫性を維持することは依然として難しい。
既存の3D認識手法は、textitLatent--RGB Cyclingからの情報損失と、textiterror-free仮説によって引き起こされるトレーニング-推論ギャップという2つの障害により、破滅的なドリフトに悩まされることが多い。
textbfRobust Dreamerという,メモリ拡張フレームワークについて紹介する。
論文 参考訳（メタデータ） (2026-05-29T05:21:33Z) - CausalCine: Real-Time Autoregressive Generation for Multi-Shot Video Narratives [117.85963914353904]
CausalCineはインタラクティブな自動回帰フレームワークで、マルチショットビデオ生成をオンラインのディレクティブプロセスに変換する。
CausalCineはショット変更を因果的に生成し、動的プロンプトをオンザフライで受け付け、以前のショットを再生することなくコンテキストを再利用する。
論文 参考訳（メタデータ） (2026-05-12T17:59:51Z) - MagicWorld: Interactive Geometry-driven Video World Exploration [30.475628938909242]
我々は、3次元幾何学的先行と歴史的検索を統合したインタラクティブなビデオワールドモデルMagicWorldを提案する。
本稿では,Action-Guided 3D Geometry Module (AG3D)を紹介した。
さらに、生成時に関連する履歴フレームを検索し、条件付き信号として注入するHistory Cache Retrieval (HCR) 機構を提案する。
論文 参考訳（メタデータ） (2025-11-24T08:41:28Z) - Stable Video Infinity: Infinite-Length Video Generation with Error Recycling [76.91310169118408]
本研究では、高時間一貫性、可視的シーン遷移、制御可能なストリーミングストーリーラインを有する無限長ビデオを生成することができる安定ビデオインフィニティ(SVI)を提案する。
SVIにはError-Recycling Fine-Tuningが組み込まれており、これはDiffusion Transformerの自己生成エラーをスーパーバイザのプロンプトにリサイクルする、新しいタイプの効率的なトレーニングである。
我々は、一貫性、創造性、条件設定を含む3つのベンチマークでSVIを評価し、その汎用性と最先端の役割を徹底的に検証した。
論文 参考訳（メタデータ） (2025-10-10T09:45:46Z) - GenFusion: Closing the Loop between Reconstruction and Generation via Videos [24.195304481751602]
本稿では,再現性のあるRGB-Dレンダリングにおける映像フレームの条件付けを学習する再構成駆動型ビデオ拡散モデルを提案する。
また、生成モデルからトレーニングセットへの復元フレームを反復的に追加する循環核融合パイプラインを提案する。
論文 参考訳（メタデータ） (2025-03-27T07:16:24Z)
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。