論文の概要: WAM-Sim0.1: World Anchored Memory Meets Online RL for Consistent and Realistic Driving Simulation

• arxiv url: http://arxiv.org/abs/2611.07939v1
• Date: Thu, 05 Nov 2026 12:40:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.684973
• Title: WAM-Sim0.1: World Anchored Memory Meets Online RL for Consistent and Realistic Driving Simulation
• Title（参考訳）: WAM-Sim0.1: World Anchored Memory Meets Online RL for Consistent and Realistic Driving Simulation
• Abstract要約: WAM-Simは、永続的な階層メモリに固定された駆動世界モデルである。 オンラインフローマッチングRLにより、視覚的シャープネスと物理的妥当性を回復するように最適化されている。 WAM-Simは、自己収集データのミニスケールロールアウトにおいて、構造とアイデンティティのドリフトを著しく軽減する。
• 参考スコア（独自算出の注目度）: 29.951056259123344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoregressive driving world models systematically suffer from structural drift, identity drift, and quality decay over long rollout horizons due to transient conditioning signals that lack persistent state. We present WAM-Sim, a driving world model anchored by a persistent hierarchical memory and optimized via online flow-matching RL. WAM-Sim structures persistent context across three temporal and semantic scales: pose-aligned structural tokens encoding persistent road topology, read-only scene tokens supplying geolocated background appearance, and write-once instance tokens preserving individual traffic participant identities across occlusions and chunk boundaries. To restore visual sharpness and physical plausibility degraded by multi-scale conditioning, we introduce an online post-training framework that optimizes self-generated rollouts via flow-matching RL guided by hierarchy-aligned visual rewards and a vision-language model physical judge. The invariant memory empirically confines policy optimization within the anchored context, helping suppress semantic collapse and reward hacking, while online RL systematically enforces physical commonsense and fine-grained visual fidelity. On the nuScenes benchmark, WAM-Sim achieves a superior generation fidelity (FID=3.47, FVD=25.72) and strong downstream perception performance (24.16 mAP, 71.23 road mIoU). On minute-scale rollouts of self-collected data, WAM-Sim substantially mitigates structural and identity drift, preserving high scene similarity and subject identity coherence across extended horizons. Project page: https://fudan-generative-vision.github.io/WAM-Sim.
• Abstract（参考訳）: 自己回帰駆動世界モデルは、永続状態が欠如している過渡条件信号により、構造的ドリフト、アイデンティティドリフト、および長いロールアウト地平線上の品質劣化に体系的に苦しむ。 WAM-Simは、永続的階層型メモリに固定され、オンラインフローマッチングRLにより最適化された駆動世界モデルである。 WAM-Simは、永続的な道路トポロジをコードするポーズアライン構造トークン、地理的背景の外観を提供する読み取り専用シーントークン、オクルージョンとチャンク境界を越えて個々のトラフィック参加者のアイデンティティを保存する書き込みオンスインスタンストークンの3つの時間的および意味的なスケールで永続的なコンテキストを構築する。 マルチスケールコンディショニングにより劣化した視覚的シャープさと身体的可視性を回復するために,階層的な視覚的報酬によって導かれるフローマッチングRLと視覚言語モデル物理判断による自己生成ロールアウトを最適化するオンラインポストトレーニングフレームワークを導入する。 不変メモリは、アンロックされたコンテキスト内でポリシーの最適化を実証的に制限し、セマンティック崩壊や報酬のハッキングを抑えるのに役立ち、オンラインRLは物理的コモンセンスときめ細かい視覚的忠実さを体系的に強制する。 nuScenesベンチマークでは、WAM-Simはより優れた世代忠実度(FID=3.47、FVD=25.72)と強力な下流認識性能(24.16 mAP、71.23 road mIoU)を達成する。 WAM-Simは、自己組織化されたデータの微小なロールアウトにおいて、構造的およびアイデンティティドリフトを著しく軽減し、高いシーンの類似性と被写体アイデンティティコヒーレンスを広い地平線にわたって保持する。 プロジェクトページ:https://fudan-generative-vision.github.io/WAM-Sim

関連論文リスト

• Online Active Learning Architecture for Safety-Critical Control Systems [20.97404276764529]
  本稿では,生物知能の連続予測・評価・補正プロセスに触発されたオンラインアクティブラーニング(OAL)のためのアーキテクチャである制御AIを提案する。 このフレームワークは、ディープニューラルネットワークの階層的表現能力と、適応制御のリアルタイムエラーフィードバック適応を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-11-01T13:49:48Z)
• HorizonComposer: Spatiotemporally Consistent Driving Video Editing with Enriched Traffic Semantics [53.8121080280996]
  「汎用指導誘導ビデオエディターは、しばしばトラフィックセマンティクスを腐敗させ、構造的幻覚と時間的ショックに繋がる」 この研究は、ビデオ編集中のトラフィックの意味を3つのレベルで蒸留し、保護する。
  論文  参考訳（メタデータ） (2026-10-20T18:51:48Z)
• StyleVAR: Controllable Image Style Transfer via Visual Autoregressive Modeling [0.0]
  学習された潜在空間における条件付き離散シーケンスモデルとしてスタイル転送を定式化する。 我々は、進化する対象表現が自身の歴史に沿うような混在したクロスアテンション機構を導入する。 Style VARは、Style Loss、Content Loss、LPIPS、SSIM、DreamSim、CLIPの類似性において一貫してAdaINベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-04-22T19:52:35Z)
• OnlineX: Unified Online 3D Reconstruction and Understanding with Active-to-Stable State Evolution [34.8105632078785]
  フィードフォワードフレームワークであるOnlineXを導入し、ストリーミング画像のみを用いて3次元の視覚的外観と言語フィールドをオンライン的に再構築する。 我々のフレームワークは、メモリ状態を専用のアクティブな状態と永続的な安定な状態に分離し、その後、前者からの情報を結合して後者に融合させ、忠実性と安定性の両方を達成する。
  論文  参考訳（メタデータ） (2026-03-02T17:52:02Z)
• ConsisDrive: Identity-Preserving Driving World Models for Video Generation by Instance Mask [65.36169132836518]
  ConsisDriveは、インスタンスレベルで時間的一貫性を強制するために設計された、ID保存駆動の世界モデルである。 当社のフレームワークには,インスタンスマインド・アテンションとインスタンスマインド・ロスという,2つの重要なコンポーネントが組み込まれています。 ConsisDriveは最先端の駆動ビデオ生成品質を実現し、nuScenesデータセット上での下流での自律運転タスクを大幅に改善した。
  論文  参考訳（メタデータ） (2026-02-03T07:28:44Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• Hybrid CNN-ViT Framework for Motion-Blurred Scene Text Restoration [2.0855516369698845]
  我々は、畳み込みニューラルネットワーク(CNN)と視覚変換器(ViT)を組み合わせたハイブリッドディープラーニングフレームワークを導入する。 アーキテクチャは構造の詳細を保存するためにCNNベースのエンコーダデコーダを使用し、トランスフォーマーモジュールは自己注意を通じてグローバルな認識を高める。 提案手法は,PSNRでは32.20dB,SSIMでは0.934dB,軽量では2.83万パラメータ,平均推定時間は61msである。
  論文  参考訳（メタデータ） (2025-11-08T17:48:58Z)

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。