1本の動画から1つの世界へ：単眼動画を物理的な4Dシーンに変換する

単眼動画から、物理シミュレータやembodied AIで利用可能なinstance-levelかつsimulation-readyな4D mesh sceneを再構成する初のtraining-freeシステムOVOWを提案する。 - 出力はwatertight topology、instance分離、標準的な物理インターフェースを備える。 - 4段階のpipelineで構成される。 - 下流のphysics simulationやeditingにそのまま使える。 - structured Video-to-4D評価のための初のbenchmarkも確立する。

既存の4D再構成はレンダリング品質は高いが、implicit fields、Gaussian primitives、point cloudsなどの出力はwatertight topology、instance分離、物理シミュレータ向け標準インターフェースを欠く。 - OVOWはこのギャップを埋め、simulation-readyな4D mesh sceneを生成する。 - 単眼動画上でbaselineより1〜2桁高速。 - 合成benchmark（staticおよび4D）でlayout・geometry精度が最良、photometric・semantic errorが最小。

4段階pipelineを採用する。 - vision-language modelが全instanceを発見・ラベル付け・motion分類する。 - category-aware reconstructionにより、rigid objectはper-instance mesh、deformable objectはtopology-consistent mesh sequenceを生成する。 - iterative render-match-optimize手順でmetric scaleと6-DoF pose trajectoryを復元する。 - physics-grounded assemblyでground contactとinter-object supportを強制する。 - 全motion（rigid/non-rigid）をcategory-specific priorやskeleton riggingなしのdirect vertex deformationでモデル化する。

2つの合成benchmark（staticおよび4D）で評価する。 - OVOWは全baseline中で総合的なlayout・geometry精度が最良。 - photometric errorとsemantic errorが最小。 - 単眼動画上でbaselineより1〜2桁高速。 - 下流のphysics simulationにより物理的安定性を確認する。 - structured Video-to-4D評価用の初のbenchmarkを確立し、geometric correctness、instance separation、physical plausibilityの指標を導入する。

要旨からは不明。 - 限界や失敗ケース、計算コスト、汎化性に関する議論は要旨に記載されていない。 - 下流タスクへの応用可能性やデータ合成エンジンとしての活用が示唆されるが、詳細な議論は要旨からは不明。

要旨で参照・比較されている研究や関連手法は明示されていない。 - 同分野の定番として、4D reconstruction、Gaussian Splatting、NeRF、physics simulation、embodied AI関連の研究が挙げられる。 - 具体的な論文名は要旨からは不明。