日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
ナビゲーションarXiv:2610.08941

SPW-Nav: 言語誘導ナビゲーションのためのストリーミングパノラマワールドモデル

SPW-Nav: A Streaming Panoramic World Model for Language-Guided Navigation

シェア:XThreadsFacebookLINEはてブBluesky

単一のパノラマ画像から、言語指示に従って2K 360度ビデオをリアルタイムでストリーミング生成するパノラマワールドモデルを提案。

詳しい要約

1. どんなもの?

- 言語指示に基づくパノラマ動画生成モデル - ストリーミングで2K 360度動画をリアルタイム生成 - 単一パノラマから1分間の動画を生成可能 - 指示をカメラモーションとして解釈 - 下流タスク:3Dシーン探索、VR、embodied agent訓練

2. 先行研究と比べてどこがすごい?

- 既存のパノラマ生成は事前定義軌道に従う - 対話型world modelは透視図で低レベル行動 - SPW-Navは言語指示でカメラ運動を制御 - カメラ追従精度と動画品質で既存手法を上回る - オンザフライで指示切替が可能

3. 技術・手法の肝は?

- 球面回転デカップリング:回転を球面上で正確に適用 - ポーズ整合条件付け:長いストリームで並進入力を有界に保持 - 多項メモリとfew-step generator:指示変更に応じてシーンを継続 - 各指示を前生成パノラマ内のカメラ運動として解釈

4. どうやって有効だと検証した?

- SPW-NavSetを構築:カメラ軌道と検証済み指示付きパノラマ動画 - カメラ追従精度と動画品質で既存パノラマ生成器と比較 - オンザフライ指示切替のサポートを実証

5. 議論はある?

- 要旨からは不明

6. 次に読むべき論文は?

- 既存のパノラマ生成器(事前定義軌道) - 対話型world model(透視図低レベル行動) - 関連手法:streaming video generation, spherical rotation, pose-aligned conditioning

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yunheng Liu, Ziqi Cai, Siqi Yang, Yimu Wang, Minggui Teng, Jiaming Tan, Shuchen Weng, Erwin Wu, Kaipeng Zhang, Boxin Shi

分類: cs.CV

原文アブストラクト

Language-guided panoramic video generation benefits various downstream applications, such as interactive 3D scene exploration, virtual reality experiences, and embodied agent training. Existing panoramic generators follow predefined trajectories, and interactive world models act through low-level actions in perspective views. We propose SPW-Nav, a streaming panoramic world model that understands movement instructions and streams one minute of 2K 360-degree video in real time from a single panorama. SPW-Nav interprets each instruction in the previously generated panorama as camera motion. Spherical rotation decoupling applies rotation exactly on the sphere, pose-aligned conditioning keeps translation inputs bounded over long streams, and a multi-term memory with a few-step generator continues the scene as instructions change. We also build SPW-NavSet, panoramic videos with camera trajectories and verified instructions. Driven by language, SPW-Nav outperforms prior panoramic generators in camera-following accuracy and video quality, and supports on-the-fly instruction switching.

関連論文

PR本紙発行元 EmplifAI