論文の概要: Temporal Saliency-Guided Distillation: A Scalable Framework for Distilling Video Datasets

• arxiv url: http://arxiv.org/abs/2505.20694v1
• Date: Tue, 27 May 2025 04:02:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.398459
• Title: Temporal Saliency-Guided Distillation: A Scalable Framework for Distilling Video Datasets
• Title（参考訳）: 経時的塩分誘導蒸留:ビデオデータセットを蒸留するためのスケーラブルなフレームワーク
• Authors: Xulin Gu, Xinhao Zhong, Zhixing Wei, Yimin Zhou, Shuoyang Sun, Bin Chen, Hongpeng Wang, Yuan Luo,
• Abstract要約: 本稿では,新しいユニレベルビデオデータセット蒸留フレームワークを提案する。 時間的冗長性に対処し,運動の保存性を高めるため,時間的サリエンシ誘導フィルタリング機構を導入する。 本手法は, 実データと蒸留ビデオデータとのギャップを埋めて, 最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 13.22969334943219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dataset distillation (DD) has emerged as a powerful paradigm for dataset compression, enabling the synthesis of compact surrogate datasets that approximate the training utility of large-scale ones. While significant progress has been achieved in distilling image datasets, extending DD to the video domain remains challenging due to the high dimensionality and temporal complexity inherent in video data. Existing video distillation (VD) methods often suffer from excessive computational costs and struggle to preserve temporal dynamics, as na\"ive extensions of image-based approaches typically lead to degraded performance. In this paper, we propose a novel uni-level video dataset distillation framework that directly optimizes synthetic videos with respect to a pre-trained model. To address temporal redundancy and enhance motion preservation, we introduce a temporal saliency-guided filtering mechanism that leverages inter-frame differences to guide the distillation process, encouraging the retention of informative temporal cues while suppressing frame-level redundancy. Extensive experiments on standard video benchmarks demonstrate that our method achieves state-of-the-art performance, bridging the gap between real and distilled video data and offering a scalable solution for video dataset compression.
• Abstract（参考訳）: データセット蒸留(DD)はデータセット圧縮の強力なパラダイムとして登場し、大規模データセットのトレーニングユーティリティを近似したコンパクトなサロゲートデータセットの合成を可能にする。 画像データセットの蒸留には大きな進歩があったが、ビデオデータに固有の高次元と時間的複雑さのため、DDをビデオ領域に拡張することは依然として困難である。 既存のビデオ蒸留法(VD)は、通常、画像ベースのアプローチのna\"拡張によって性能が劣化するので、時間的ダイナミクスを維持するのに多くの計算コストと苦労に悩まされる。 本稿では,事前学習したモデルに対して,合成ビデオを直接最適化する新しい一段式ビデオデータセット蒸留フレームワークを提案する。 時間的冗長性に対処し, 運動の保存性を高めるため, フレーム間差を利用した時間的塩分誘導フィルタリング機構を導入し, フレームレベルの冗長性を抑えながら, 情報的時間的手がかりの維持を促す。 実画像データと蒸留画像データのギャップを埋め、ビデオデータセット圧縮のためのスケーラブルなソリューションを提供することにより、本手法が最先端の性能を達成することを実証した。

関連論文リスト

• Video Dataset Condensation with Diffusion Models [7.44997213284633]
  ビデオデータセットの蒸留は、大規模な実データセットから必須情報を保持するコンパクトな合成データセットを生成するための有望なソリューションである。 本稿では,ビデオ拡散モデルを用いて高品質な合成ビデオを生成することにより,ビデオデータセットの蒸留に焦点を当てる。 代表性を高めるために,ビデオの多様な情報サブセットを選択するために設計されたVST-UNet(Video Spatio-Temporal U-Net)を導入する。 提案手法の有効性を,4つのベンチマークデータセットによる広範な実験により検証し,現状よりも最大10.61%の性能向上を実証した。
  論文  参考訳（メタデータ） (2025-05-10T15:12:19Z)
• AccVideo: Accelerating Video Diffusion Model with Synthetic Dataset [55.82208863521353]
  合成データセットを用いたビデオ拡散モデルの高速化のための推論ステップを削減するために,AccVideoを提案する。 本モデルでは,教師モデルに比べて生成速度が8.5倍向上した。 従来の高速化手法と比較して,より高品質で解像度の高いビデオを生成することができる。
  論文  参考訳（メタデータ） (2025-03-25T08:52:07Z)
• Temporal-Consistent Video Restoration with Pre-trained Diffusion Models [51.47188802535954]
  ビデオ復元(VR)は、劣化したビデオから高品質なビデオを復元することを目的としている。 事前訓練拡散モデル(DM)を用いた最近のゼロショットVR法は,逆拡散時の近似誤差と時間的整合性の欠如に悩まされている。 本稿では,DMのシード空間におけるビデオフレームを直接パラメータ化し,近似誤差を排除した新しいMAP(Posterior Maximum)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T03:41:56Z)
• Rethinking Video Tokenization: A Conditioned Diffusion-based Approach [58.164354605550194]
  新しいトークン化ツールであるDiffusion Conditioned-based Gene Tokenizerは、GANベースのデコーダを条件付き拡散モデルで置き換える。 再建に基本的MSE拡散損失とKL項,LPIPSを併用した訓練を行った。 CDTのスケールダウン版(3$times inference speedup)でさえ、トップベースラインと互換性がある。
  論文  参考訳（メタデータ） (2025-03-05T17:59:19Z)
• Video Set Distillation: Information Diversification and Temporal Densification [68.85010825225528]
  Video textbfsetsは2次元の冗長性を持つ: サンプル内およびサンプル間冗長性。 我々は,まず,サンプル内およびサンプル間冗長性に対処して,最適化された映像データを合成するビデオセット蒸留について検討する。
  論文  参考訳（メタデータ） (2024-11-28T05:37:54Z)
• Self-Conditioned Probabilistic Learning of Video Rescaling [70.10092286301997]
  本稿では,ビデオ再スケーリングのための自己条件付き確率的フレームワークを提案し,ペアダウンスケーリングとアップスケーリングの手順を同時に学習する。 我々は、その条件付き確率を強い時空間事前情報に基づいて最大化することにより、ダウンスケーリングで失われた情報のエントロピーを減少させる。 我々は、このフレームワークを、非微分産業損失コーデックの勾配推定器として提案する、損失のあるビデオ圧縮システムに拡張する。
  論文  参考訳（メタデータ） (2021-07-24T15:57:15Z)

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。