論文の概要: ReactWorld: Structuring Interaction Responses for Embodied Video Generation

• arxiv url: http://arxiv.org/abs/2611.06120v1
• Date: Wed, 04 Nov 2026 08:06:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.020793
• Title: ReactWorld: Structuring Interaction Responses for Embodied Video Generation
• Title（参考訳）: ReactWorld: ビデオ生成のためのインタラクション応答の構造化
• Abstract要約: 本稿では,ReactWorldを紹介した。ReactWorldは,構造化されたインタラクション予測によって導かれる,エンボディ化されたビデオ生成モデルである。 世代バックボーンの特徴空間では、相互作用応答場予測器は相互作用がどのように展開するかを予測する。 応答フィードバックアダプタは、オブジェクトブランチの出力の差からオブジェクトの特徴にインクリメントを形成する。
• 参考スコア（独自算出の注目度）: 17.307588817759033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embodied video world models predict scene changes caused by robot actions, yet generated object responses may remain inconsistent with task intent and contact dynamics. Critical responses in embodied scenes often concentrate in local regions and specific time intervals. Inspired by chain-of-thought reasoning, we introduce ReactWorld, an embodied video generation model guided by structured interaction anticipation. In the generation backbone's feature space, an interaction response field predictor anticipates how the interaction will unfold, explicitly describing participant roles, future motion response intensity, and local motion changes. A response feedback adapter forms increments to object features from the difference between the object branch's outputs with predicted and zeroed local dynamics inputs. It also converts predicted displacements into positional biases for temporal attention. These two mechanisms guide object feature updates and information retrieval across frames, respectively. Through interaction anticipation and generative feedback, ReactWorld achieves an average score of 77.51 on RBench, outperforming PhysisForcing by 3.29 points with improvements in all nine categories. On EZS-Bench, it achieves a Domain score of 86.98 and an average score of 81.87.
• Abstract（参考訳）: 身体的ビデオワールドモデルは、ロボットの動作によって引き起こされるシーンの変化を予測するが、生成されたオブジェクト応答はタスク意図や接触ダイナミクスと矛盾しない。 具現化されたシーンにおける臨界応答は、しばしば地域や特定の時間間隔に集中する。 チェーン・オブ・シークレットの推論にヒントを得て,構造化された相互作用予測によって導かれるビデオ生成モデルであるReactWorldを紹介した。 世代バックボーンの特徴空間において、相互作用応答場予測器は、相互作用がどのように展開するかを予測し、関与する役割、将来の動き応答強度、局所的な動きの変化を明示的に記述する。 応答フィードバックアダプタは、オブジェクトブランチの出力と予測されたローカルダイナミクス入力とゼロなローカルダイナミクス入力との差から、オブジェクト特徴にインクリメントを形成する。 また、予測された変位を時間的注意のために位置バイアスに変換する。 これら2つのメカニズムは、各フレーム間でのオブジェクトの特徴更新と情報検索をガイドする。 相互作用予測と生成フィードバックを通じて、ReactWorldはRBenchの平均スコア77.51を獲得し、PhysicsForcingの3.29ポイントを上回り、9つのカテゴリで改善されている。 EZS-ベンチでは、ドメインスコアは86.98、平均スコアは81.87となる。

関連論文リスト

• Gnomon4D: Learning Where and When to Focus for Geometric Motion-Grounded World-Action Modeling [54.397433718845654]
  Gnomon4Dは未来のビデオ、ロボットアクションを共同で生成するWAMであり、GeoDeltaはビデオアラインな4D幾何運動場である。 1つのフィールドのエンボディメントとオブジェクトによって、相互作用を示す相対的な動きを読み取ることができる。 Gnomon4DはRoboTwin2.0、VLABench、RoboDojoをリードし、実際のロボットベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-11-02T03:45:07Z)
• Learning Reactive Human Motion Generation from Paired Interaction Data Using Transformer-Based Models [0.0]
  本研究は,対話シナリオにおける他者の動作に基づいて,ある人物の動作を生成する問題に対処する。 簡単なTransformer、iTransformer、Crossformerの3つのモデルを実装し比較する。 実験結果から, 簡易トランスフォーマーは姿勢崩壊に悩まされることなく, 可塑性相互作用を意識した動作を生成できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-24T02:27:13Z)
• ReMoGen: Real-time Human Interaction-to-Reaction Generation via Modular Learning from Diverse Data [38.85809416362408]
  ReMoGenはリアルタイムインタラクションと反応生成のためのモジュラー学習フレームワークである。 これは、他の動作、シーン幾何学、オプションのハイレベルなセマンティック入力を含む動的マルチソースキューから、エゴの将来の動きを生成する。 ReMoGenは、様々な相互作用シナリオを効果的に一般化しながら、高品質でコヒーレントで応答性のある反応を生成する。
  論文  参考訳（メタデータ） (2026-04-01T16:12:23Z)
• MoReact: Generating Reactive Motion from Textual Descriptions [57.642436102978245]
  MoReactは拡散に基づく手法で、グローバルな軌跡と局所的な動きを連続的に引き離すように設計されている。 2人の動作データセットから適応したデータを用いて,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-09-28T14:31:41Z)
• InterDyn: Controllable Interactive Dynamics with Video Diffusion Models [50.38647583839384]
  我々は、初期フレームと駆動対象またはアクターの動作を符号化する制御信号が与えられたインタラクティブな動画像を生成するフレームワークであるInterDynを提案する。 我々の重要な洞察は、大規模なビデオ生成モデルは、大規模ビデオデータからインタラクティブなダイナミクスを学習し、ニューラルと暗黙の物理シミュレーターの両方として機能できるということです。
  論文  参考訳（メタデータ） (2024-12-16T13:57:02Z)
• Interaction Transformer for Human Reaction Generation [61.22481606720487]
  本稿では,時間的,空間的両方の注意を持つトランスフォーマーネットワークからなる対話型トランスフォーマー(InterFormer)を提案する。 我々の手法は一般的であり、より複雑で長期的な相互作用を生成するのに利用できる。
  論文  参考訳（メタデータ） (2022-07-04T19:30:41Z)

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。