論文の概要: When to Lock Attention: Training-Free KV Control in Video Diffusion

• arxiv url: http://arxiv.org/abs/2603.09657v1
• Date: Tue, 10 Mar 2026 13:31:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.338463
• Title: When to Lock Attention: Training-Free KV Control in Video Diffusion
• Title（参考訳）: ビデオ拡散における無訓練KV制御
• Authors: Tianyi Zeng, Jincheng Gao, Tianyi Wang, Zijie Meng, Miao Zhang, Jun Yin, Haoyuan Sun, Junfeng Jiao, Christian Claudel, Junbo Tan, Xueqian Wang,
• Abstract要約: 本稿では,Ditベースのビデオ拡散モデルに適したトレーニングフリーフレームワークであるKV-Lockを提案する。 KV-Lockは幻覚検出を利用して、キャッシュされたバックグラウンドキー値(KV)と新たに生成されたKVとの融合比とCFGスケールの2つの主要なコンポーネントを動的にスケジュールする。 トレーニングフリーのプラグアンドプレイモジュールとして、KV-Lockは任意のトレーニング済みのDiTベースのモデルに簡単に統合できる。
• 参考スコア（独自算出の注目度）: 28.00662653127216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maintaining background consistency while enhancing foreground quality remains a core challenge in video editing. Injecting full-image information often leads to background artifacts, whereas rigid background locking severely constrains the model's capacity for foreground generation. To address this issue, we propose KV-Lock, a training-free framework tailored for DiT-based video diffusion models. Our core insight is that the hallucination metric (variance of denoising prediction) directly quantifies generation diversity, which is inherently linked to the classifier-free guidance (CFG) scale. Building upon this, KV-Lock leverages diffusion hallucination detection to dynamically schedule two key components: the fusion ratio between cached background key-values (KVs) and newly generated KVs, and the CFG scale. When hallucination risk is detected, KV-Lock strengthens background KV locking and simultaneously amplifies conditional guidance for foreground generation, thereby mitigating artifacts and improving generation fidelity. As a training-free, plug-and-play module, KV-Lock can be easily integrated into any pre-trained DiT-based models. Extensive experiments validate that our method outperforms existing approaches in improved foreground quality with high background fidelity across various video editing tasks.
• Abstract（参考訳）: 前景の質を向上しながらバックグラウンドの一貫性を維持することは、ビデオ編集における中核的な課題である。 フルイメージ情報を注入すると、しばしば背景のアーティファクトが発生するが、厳密な背景ロックは前景生成のためのモデルの能力に厳しい制約を与える。 この問題に対処するために、我々は、DiTベースのビデオ拡散モデルに適したトレーニング不要のフレームワークであるKV-Lockを提案する。 我々の中核的な洞察は、幻覚量(認知予測のばらつき)が生成の多様性を直接定量化することであり、これは本質的に分類器フリーガイダンス(CFG)尺度と結びついている。 これに基づいて、KV-Lockは拡散幻覚検出を利用して、キャッシュされたバックグラウンドキー値(KV)と新たに生成されたKVの融合比とCFGスケールの2つの主要なコンポーネントを動的にスケジュールする。 幻覚リスクが検出されると、KV-LockはバックグラウンドKVロックを強化し、前景生成のための条件ガイダンスを同時に増幅し、アーティファクトを緩和し、生成精度を向上させる。 トレーニングフリーのプラグアンドプレイモジュールとして、KV-Lockは任意のトレーニング済みのDiTベースのモデルに簡単に統合できる。 本手法は,様々なビデオ編集作業において,背景の忠実度が高く,前景品質の向上に優れた手法であることが実証された。

関連論文リスト

• FAEDKV: Infinite-Window Fourier Transform for Unbiased KV Cache Compression [18.12657364501536]
  FAEDKVは、トレーニング不要のKVキャッシュ圧縮フレームワークである。 初期の情報と最近の情報の両方を保存している。 LongBenchベンチマークの実験では、FAEDKVは既存のメソッドよりも最大22%優れていた。
  論文  参考訳（メタデータ） (2025-07-26T18:20:25Z)
• KV-Latent: Dimensional-level KV Cache Reduction with Frequency-aware Rotary Positional Embedding [72.12756830560217]
  Transformer Decodersをベースとした大規模言語モデル(LLM)が、会話生成AIの選択肢として好まれている。 デコーダアーキテクチャの全体的な優位性にもかかわらず、推論中にキーバリューキャッシュが徐々に増加し、主要な効率ボトルネックとなっている。 キーバリューベクトル次元を潜在空間にダウンサンプリングすることで、KVキャッシュのフットプリントを大幅に削減し、推論速度を向上させることができる。
  論文  参考訳（メタデータ） (2025-07-15T12:52:12Z)
• Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion [67.94300151774085]
  本稿では,自己回帰ビデオ拡散モデルのための新しい訓練パラダイムであるSelf Forcingを紹介する。 露光バイアスの長年の問題に対処し、地道的な文脈で訓練されたモデルは、自身の不完全な出力で条件付けられたシーケンスを生成する必要がある。
  論文  参考訳（メタデータ） (2025-06-09T17:59:55Z)
• 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)
• KV-Edit: Training-Free Image Editing for Precise Background Preservation [18.124911508377384]
  KV-Editはトレーニング不要のアプローチで、バックグラウンドの一貫性を維持するためにDiTのKVキャッシュを使用する。 我々のアプローチは、追加のトレーニングなしでDiTベースの生成モデルと互換性がある。
  論文  参考訳（メタデータ） (2025-02-24T17:40:09Z)
• Improved Video VAE for Latent Video Diffusion Model [55.818110540710215]
  ビデオオートエンコーダ(VAE)は、ピクセルデータを低次元の潜在空間に圧縮することを目的としており、OpenAIのSoraで重要な役割を果たしている。 既存のVAEのほとんどは、時間空間圧縮のために3次元因果構造に事前訓練された画像VAEを注入する。 ビデオVAE(IV-VAE)をさらに改善するための新しいKTCアーキテクチャとGCConvモジュールを提案する。
  論文  参考訳（メタデータ） (2024-11-10T12:43:38Z)

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。