論文の概要: Survey of Video Diffusion Models: Foundations, Implementations, and Applications
- arxiv url: http://arxiv.org/abs/2504.16081v1
- Date: Tue, 22 Apr 2025 17:59:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-30 16:56:34.053397
- Title: Survey of Video Diffusion Models: Foundations, Implementations, and Applications
- Title（参考訳）: ビデオ拡散モデルに関する調査:基礎,実装,応用
- Authors: Yimu Wang, Xuye Liu, Wei Pang, Li Ma, Shuai Yuan, Paul Debevec, Ning Yu,
- Abstract要約: 拡散モデルの最近の進歩はビデオ生成に革命をもたらし、従来の生成的対向ネットワークに基づくアプローチと比較して時間的一貫性と視覚的品質を提供する。
本調査は拡散に基づくビデオ生成の総合的なレビューを行い,その進化,技術基盤,実用的応用について検討する。
本稿では,現在の手法を体系的に分類し,アーキテクチャの革新と最適化戦略を分析し,デノナイズやスーパーレゾリューションといった低レベルのビジョンタスクにまたがる応用について検討する。
- 参考スコア（独自算出の注目度）: 15.060158551865099
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in diffusion models have revolutionized video generation, offering superior temporal consistency and visual quality compared to traditional generative adversarial networks-based approaches. While this emerging field shows tremendous promise in applications, it faces significant challenges in motion consistency, computational efficiency, and ethical considerations. This survey provides a comprehensive review of diffusion-based video generation, examining its evolution, technical foundations, and practical applications. We present a systematic taxonomy of current methodologies, analyze architectural innovations and optimization strategies, and investigate applications across low-level vision tasks such as denoising and super-resolution. Additionally, we explore the synergies between diffusionbased video generation and related domains, including video representation learning, question answering, and retrieval. Compared to the existing surveys (Lei et al., 2024a;b; Melnik et al., 2024; Cao et al., 2023; Xing et al., 2024c) which focus on specific aspects of video generation, such as human video synthesis (Lei et al., 2024a) or long-form content generation (Lei et al., 2024b), our work provides a broader, more updated, and more fine-grained perspective on diffusion-based approaches with a special section for evaluation metrics, industry solutions, and training engineering techniques in video generation. This survey serves as a foundational resource for researchers and practitioners working at the intersection of diffusion models and video generation, providing insights into both the theoretical frameworks and practical implementations that drive this rapidly evolving field. A structured list of related works involved in this survey is also available on https://github.com/Eyeline-Research/Survey-Video-Diffusion.
- Abstract（参考訳）: 拡散モデルの最近の進歩はビデオ生成に革命をもたらし、従来の生成的対向ネットワークに基づくアプローチと比較して時間的一貫性と視覚的品質を提供する。
この新興分野はアプリケーションにおいて非常に有望であるが、運動の一貫性、計算効率、倫理的考慮において大きな課題に直面している。
本調査は拡散に基づくビデオ生成の総合的なレビューを行い,その進化,技術基盤,実用的応用について検討する。
本稿では,現在の手法を体系的に分類し,アーキテクチャの革新と最適化戦略を分析し,デノナイズやスーパーレゾリューションといった低レベルのビジョンタスクにまたがる応用について検討する。
さらに,拡散に基づく映像生成と,映像表現学習,質問応答,検索などの関連領域の相乗効果についても検討する。
人間のビデオ合成(Lei et al , 2024a;b; Melnik et al , 2024; Cao et al , 2023; Xing et al , 2024c)や長文コンテンツ生成(Lei et al , 2024b)など、ビデオ生成の特定の側面に焦点を当てた既存の調査と比べ、我々の研究は、ビデオ生成におけるメトリクス、産業ソリューション、トレーニング技術といった、拡散に基づくアプローチに関して、より広く、より更新された、よりきめ細かな視点を提供する。
この調査は、拡散モデルとビデオ生成の交差点で働く研究者や実践者の基盤となるリソースとなり、この急速に発展する分野を駆動する理論的枠組みと実践的実装の両方に関する洞察を提供する。
この調査に関連する関連作業の構造化リストはhttps://github.com/Eyeline-Research/Survey-Video-Diffusionでも公開されている。
関連論文リスト
- RAGME: Retrieval Augmented Video Generation for Enhanced Motion Realism [73.38167494118746]
生成ビデオにおける動きのリアリズムを改善するための枠組みを提案する。
生成フェーズにおける検索機構の導入を提唱する。
私たちのパイプラインは、どんなテキスト間拡散モデルにも適用できるように設計されています。
論文 参考訳（メタデータ） (2025-04-09T08:14:05Z) - Video Summarization Techniques: A Comprehensive Review [1.6381055567716192]
本稿では,抽象的戦略と抽出的戦略の両方を強調し,映像要約のための様々なアプローチと手法について考察する。
抽出要約のプロセスは、ソースビデオからキーフレームやセグメントを識別し、ショット境界認識やクラスタリングなどの手法を利用する。
一方、抽象的な要約は、深層ニューラルネットワークや自然言語処理、強化学習、注意機構、生成的敵ネットワーク、マルチモーダル学習といった機械学習モデルを用いて、ビデオから不可欠なコンテンツを取得することによって、新たなコンテンツを生成する。
論文 参考訳（メタデータ） (2024-10-06T11:17:54Z) - Diffusion Models in Low-Level Vision: A Survey [82.77962165415153]
拡散モデルに基づくソリューションは、優れた品質と多様性のサンプルを作成する能力で広く称賛されている。
本稿では,3つの一般化拡散モデリングフレームワークを提案し,それらと他の深層生成モデルとの相関関係について検討する。
医療、リモートセンシング、ビデオシナリオなど、他のタスクに適用された拡張拡散モデルについて要約する。
論文 参考訳（メタデータ） (2024-06-17T01:49:27Z) - Video Diffusion Models: A Survey [3.7985353171858045]
拡散生成モデルは近年、高品質でコヒーレントなビデオコンテンツを作成し、修正するための強力な技術となっている。
本調査では,映像生成における拡散モデルの重要な構成要素について概説する。
論文 参考訳（メタデータ） (2024-05-06T04:01:42Z) - A Survey on Long Video Generation: Challenges, Methods, and Prospects [36.58662591921549]
本稿では,近年の長編ビデオ生成の進歩に関する最初の調査について述べる。
それらを2つの重要なパラダイム、すなわち時間的自己回帰の分割と征服にまとめる。
本稿では,長期ビデオ生成研究の進展に欠かせないデータセットと評価指標の包括的概要と分類について述べる。
論文 参考訳（メタデータ） (2024-03-25T03:47:53Z) - A Survey on Super Resolution for video Enhancement Using GAN [0.0]
Generative Adversarial Networksのようなディープラーニングアルゴリズムを用いた超高解像度画像とビデオの最近の発展について紹介する。
低解像度ビデオの視覚的明快さと品質の向上を目指す進歩は、監視技術から医用画像まで、さまざまな分野で大きな可能性を秘めている。
このコレクションは、ジェネレーティブ・アドバイサル・ネットワークの広い分野に展開し、その原則、トレーニング・アプローチ、幅広い領域にわたるアプリケーションについて探求している。
論文 参考訳（メタデータ） (2023-12-27T08:41:38Z) - A Survey on Video Diffusion Models [103.03565844371711]
AI生成コンテンツ(AIGC)の最近の波は、コンピュータビジョンでかなりの成功を収めている。
その印象的な生成能力のため、拡散モデルは徐々にGANと自動回帰変換器に基づく手法に取って代わられている。
本稿では,AIGC時代の映像拡散モデルについて概観する。
論文 参考訳（メタデータ） (2023-10-16T17:59:28Z) - A Survey on Deep Learning Technique for Video Segmentation [147.0767454918527]
ビデオセグメンテーションは幅広い応用において重要な役割を果たしている。
ディープラーニングベースのアプローチは、ビデオセグメンテーションに特化しており、魅力的なパフォーマンスを提供している。
論文 参考訳（メタデータ） (2021-07-02T15:51:07Z) - Video Summarization Using Deep Neural Networks: A Survey [72.98424352264904]
ビデオ要約技術は、ビデオコンテンツの最も有益な部分を選択して、簡潔で完全なシノプシスを作成することを目指しています。
本研究は,この領域における最近の進歩に着目し,既存の深層学習に基づく総括的映像要約手法の包括的調査を行う。
論文 参考訳（メタデータ） (2021-01-15T11:41:29Z) - An Efficient Recurrent Adversarial Framework for Unsupervised Real-Time
Video Enhancement [132.60976158877608]
対比ビデオの例から直接学習する効率的な対比ビデオ強化フレームワークを提案する。
特に,空間的情報と時間的情報の暗黙的統合のための局所的モジュールとグローバルモジュールからなる新しい再帰的セルを導入する。
提案する設計では,フレーム間の情報伝達を効率的に行うことができ,複雑なネットワークの必要性を低減できる。
論文 参考訳（メタデータ） (2020-12-24T00:03:29Z)
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。