論文の概要: High-Fidelity Causal Video Diffusion Models for Real-Time Ultra-Low-Bitrate Semantic Communication

• arxiv url: http://arxiv.org/abs/2602.13837v1
• Date: Sat, 14 Feb 2026 17:23:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.451571
• Title: High-Fidelity Causal Video Diffusion Models for Real-Time Ultra-Low-Bitrate Semantic Communication
• Title（参考訳）: リアルタイム超低レートセマンティック通信のための高忠実因果拡散モデル
• Authors: Cem Eteke, Batuhan Tosun, Alexander Griessel, Wolfgang Kellerer, Eckehard Steinbach,
• Abstract要約: 超低ビットレートセマンティック通信制約下での高忠実度・因果性・リアルタイムビデオ生成のためのビデオ拡散モデルを提案する。 この枠組みは,超低速度(0.0003bpp)における知覚的品質,意味的忠実度,時間的一貫性を強く達成し,定量的,質的,主観的評価において,古典的,神経的,生成的ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 43.045237067909106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a video diffusion model for high-fidelity, causal, and real-time video generation under ultra-low-bitrate semantic communication constraints. Our approach utilizes lossy semantic video coding to transmit the semantic scene structure, complemented by a stream of highly compressed, low-resolution frames that provide sufficient texture information to preserve fidelity. Building on these inputs, we introduce a modular video diffusion model that contains Semantic Control, Restoration Adapter, and Temporal Adapter. We further introduce an efficient temporal distillation procedure that enables extension to real-time and causal synthesis, reducing trainable parameters by 300x and training time by 2x, while adhering to communication constraints. Evaluated across diverse datasets, the framework achieves strong perceptual quality, semantic fidelity, and temporal consistency at ultra-low bitrates (< 0.0003 bpp), outperforming classical, neural, and generative baselines in extensive quantitative, qualitative, and subjective evaluations.
• Abstract（参考訳）: 超低ビットレートセマンティック通信制約下での高忠実度・因果性・リアルタイムビデオ生成のためのビデオ拡散モデルを提案する。 提案手法では,高圧縮低解像度フレームのストリームで補完されるセマンティックなシーン構造を,忠実さを保つのに十分なテクスチャ情報を提供するために,ロッキーなセマンティックビデオ符号化を用いて伝送する。 これらの入力に基づいて,セマンティック・コントロール,リカバリ・アダプタ,テンポラル・アダプタを含むモジュール型ビデオ拡散モデルを導入する。 さらに, 実時間および因果合成の拡張, 訓練可能なパラメータの300倍, 訓練時間を2倍に削減し, 通信制約に順応しながら, 効率的な時間的蒸留手法を提案する。 様々なデータセットで評価され、このフレームワークは極低ビットレート(0.0003bpp)における知覚的品質、意味的忠実性、時間的一貫性を強く達成し、幅広い量的、質的、主観的評価において古典的、神経的、生成的ベースラインを上回っている。

関連論文リスト

• Single-step Diffusion-based Video Coding with Semantic-Temporal Guidance [24.88807532823577]
  本稿では,S2VCを提案する。S2VCは,条件付き符号化フレームワークと効率的な単一ステップ拡散生成器を統合した,単一ステップ拡散に基づくビデオコーデックである。 S2VCは、従来の知覚法よりも平均52.73%の省力で、最先端の知覚品質を提供する。
  論文  参考訳（メタデータ） (2025-12-08T12:05:30Z)
• Temporal In-Context Fine-Tuning for Versatile Control of Video Diffusion Models [34.131515004434846]
  我々は,事前学習した映像拡散モデルを条件付き生成タスクに適用するための効率的なアプローチであるTIC-FT(Temporal In-Context Fine-Tuning)を導入する。 TIC-FTはアーキテクチャの変更を必要とせず、10-30のトレーニングサンプルで高いパフォーマンスを実現している。 我々は,CagVideoX-5B や Wan-14B といった大規模ベースモデルを用いて,映像映像生成や映像映像生成など,様々なタスクにまたがる手法を検証する。
  論文  参考訳（メタデータ） (2025-06-01T12:57:43Z)
• Inflation with Diffusion: Efficient Temporal Adaptation for Text-to-Video Super-Resolution [19.748048455806305]
  本稿では,効率的な拡散型テキスト・ビデオ・スーパーレゾリューション(SR)チューニング手法を提案する。 本稿では,我々の拡張アーキテクチャに基づく異なるチューニング手法について検討し,計算コストと超解像品質のトレードオフを報告する。
  論文  参考訳（メタデータ） (2024-01-18T22:25:16Z)
• RAVEN: Rethinking Adversarial Video Generation with Efficient Tri-plane Networks [93.18404922542702]
  本稿では,長期的空間的および時間的依存関係に対処する新しいビデオ生成モデルを提案する。 提案手法は,3次元認識型生成フレームワークにインスパイアされた,明示的で単純化された3次元平面のハイブリッド表現を取り入れたものである。 我々のモデルは高精細度ビデオクリップを解像度256時間256$ピクセルで合成し、フレームレート30fpsで5ドル以上まで持続する。
  論文  参考訳（メタデータ） (2024-01-11T16:48:44Z)
• Upscale-A-Video: Temporal-Consistent Diffusion Model for Real-World Video Super-Resolution [65.91317390645163]
  Upscale-A-Videoは、ビデオアップスケーリングのためのテキストガイド付き遅延拡散フレームワークである。 ローカルでは、一時的なレイヤをU-NetとVAE-Decoderに統合し、短いシーケンス内で一貫性を維持する。 また、テキストプロンプトによってテクスチャ生成と調整可能なノイズレベルをガイドし、復元と生成のバランスを取ることで、柔軟性も向上する。
  論文  参考訳（メタデータ） (2023-12-11T18:54:52Z)
• VideoGen: A Reference-Guided Latent Diffusion Approach for High Definition Text-to-Video Generation [73.54366331493007]
  VideoGenはテキスト・ツー・ビデオ生成方式であり、フレームの忠実度が高く、時間的一貫性の強い高精細なビデオを生成することができる。 我々は,テキストプロンプトから高品質な画像を生成するために,既製のテキスト画像生成モデル,例えば,安定拡散(Stable Diffusion)を利用する。
  論文  参考訳（メタデータ） (2023-09-01T11:14:43Z)
• CCVS: Context-aware Controllable Video Synthesis [95.22008742695772]
  プレゼンテーションでは、古いビデオクリップから新しいビデオクリップを合成するための自己教師付き学習アプローチを紹介している。 時間的連続性のための文脈情報と微妙な制御のための補助情報に基づいて合成過程を規定する。
  論文  参考訳（メタデータ） (2021-07-16T17:57:44Z)

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。