論文の概要: Inference-time Stochastic Refinement of GRU-Normalizing Flow for Real-time Video Motion Transfer

• arxiv url: http://arxiv.org/abs/2512.04282v1
• Date: Wed, 03 Dec 2025 21:47:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:45.893519
• Title: Inference-time Stochastic Refinement of GRU-Normalizing Flow for Real-time Video Motion Transfer
• Title（参考訳）: リアルタイム動画移動のためのGRU-Normalizing Flowの推測時間確率再構成
• Authors: Tasmiah Haque, Srinjoy Das,
• Abstract要約: 没入型ゲームのようなリアルタイムビデオモーション転送アプリケーションは、現実的な合成と堅牢な下流決定を支援するために、正確かつ多様な将来予測を必要とする。 このような逐次予測の多様性を改善するために,GRU-NF(Gated Recurrent Unit-Normalizing Flows)とサンプリング手法を組み合わせた新しい推論時間改善手法を提案する。 GRU-SNF(Gated Recurrent Unit- Normalizing Flows, GRU-SNF)は,より長い予測地平線の下でも精度を犠牲にすることなく,多様な出力を生成する上で,GRU-NFより優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.7161783472741748
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time video motion transfer applications such as immersive gaming and vision-based anomaly detection require accurate yet diverse future predictions to support realistic synthesis and robust downstream decision making under uncertainty. To improve the diversity of such sequential forecasts we propose a novel inference-time refinement technique that combines Gated Recurrent Unit-Normalizing Flows (GRU-NF) with stochastic sampling methods. While GRU-NF can capture multimodal distributions through its integration of normalizing flows within a temporal forecasting framework, its deterministic transformation structure can limit expressivity. To address this, inspired by Stochastic Normalizing Flows (SNF), we introduce Markov Chain Monte Carlo (MCMC) steps during GRU-NF inference, enabling the model to explore a richer output space and better approximate the true data distribution without retraining. We validate our approach in a keypoint-based video motion transfer pipeline, where capturing temporally coherent and perceptually diverse future trajectories is essential for realistic samples and low bandwidth communication. Experiments show that our inference framework, Gated Recurrent Unit- Stochastic Normalizing Flows (GRU-SNF) outperforms GRU-NF in generating diverse outputs without sacrificing accuracy, even under longer prediction horizons. By injecting stochasticity during inference, our approach captures multimodal behavior more effectively. These results highlight the potential of integrating stochastic dynamics with flow-based sequence models for generative time series forecasting.
• Abstract（参考訳）: 没入型ゲームや視覚に基づく異常検出などのリアルタイム動画移動アプリケーションでは、現実的な合成と不確実性の下での堅牢な下流決定を支援するために、正確な将来予測が必要である。 このような逐次予測の多様性を改善するために,GRU-NF(Gated Recurrent Unit-Normalizing Flows)と確率的サンプリング手法を組み合わせた新しい推論時間改善手法を提案する。 GRU-NFは時相予測フレームワーク内での正規化フローの統合によりマルチモーダル分布をキャプチャできるが、その決定論的変換構造は表現性を制限することができる。 確率正規化フロー(SNF)にインスピレーションを得て,GRU-NF推論中にマルコフ・チェイン・モンテカルロ(MCMC)ステップを導入し,よりリッチな出力空間を探索し,再学習せずに真のデータ分布を近似する。 提案手法をキーポイントを用いた動画移動パイプラインで検証し,時間的コヒーレントかつ知覚的に多様な未来の軌跡を捉えることが,実例と低帯域通信に不可欠であることを示す。 GRU-SNF(Gated Recurrent Unit-Stochastic Normalizing Flows)は,より長い予測地平線下であっても,精度を犠牲にすることなく多種多様なアウトプットを生成する上で,GRU-NFより優れていることを示す。 推論中に確率性を注入することにより、より効果的にマルチモーダルな振る舞いを捉えることができる。 これらの結果は、確率力学とフローベースシーケンスモデルを統合することにより、生成時系列予測の可能性を浮き彫りにした。

関連論文リスト

• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Probabilistic Forecasting via Autoregressive Flow Matching [1.5467259918426441]
  FlowTimeは、時系列データの確率予測のための生成モデルである。 我々は、将来の観測の連成分布を条件密度の列に分解し、それぞれが共有フローを介してモデル化される。 本研究では,複数の動的システムおよび実世界の予測タスクにおけるFlowTimeの有効性を示す。
  論文  参考訳（メタデータ） (2025-03-13T13:54:24Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• GDTS: Goal-Guided Diffusion Model with Tree Sampling for Multi-Modal Pedestrian Trajectory Prediction [15.731398013255179]
  マルチモーダル軌道予測のための木サンプリングを用いたゴールガイド拡散モデルを提案する。 2段階のツリーサンプリングアルゴリズムが提案され、一般的な特徴を活用して推論時間を短縮し、マルチモーダル予測の精度を向上させる。 実験により,提案フレームワークは,公開データセットにおけるリアルタイム推論速度と同等の最先端性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2023-11-25T03:55:06Z)
• Flow-based Spatio-Temporal Structured Prediction of Motion Dynamics [21.24885597341643]
  条件付き流れ (CNF) は、高次元と相互相関を持つ複雑な分布を表現できるフレキシブルな生成モデルである。 本研究では,時間的入力特徴の出力を自己回帰的に正規化する新しい手法としてMotionFlowを提案する。 本稿では,予測,動き予測時系列予測,二分節分割などのタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2021-04-09T14:30:35Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。