論文の概要: PackForcing: Short Video Training Suffices for Long Video Sampling and Long Context Inference

• arxiv url: http://arxiv.org/abs/2603.25730v1
• Date: Thu, 26 Mar 2026 17:59:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.425828
• Title: PackForcing: Short Video Training Suffices for Long Video Sampling and Long Context Inference
• Title（参考訳）: PackForcing:ロングビデオサンプリングとロングコンテキスト推論のためのショートビデオトレーニング
• Authors: Xiaofeng Mao, Shaohao Rui, Kaining Ying, Bo Zheng, Chuanhao Li, Mingmin Chi, Kaipeng Zhang,
• Abstract要約: PackForcingは、単一のH200 GPU上で16 FPSでコヒーレントな2分832x480ビデオを生成する。 わずか4GBのバウンドKVキャッシュを実現し、ゼロショットまたは5秒のクリップでトレーニングされた24倍の時間(5秒から120秒)を効果的に動作させることができる。
• 参考スコア（独自算出の注目度）: 46.18482046594169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoregressive video diffusion models have demonstrated remarkable progress, yet they remain bottlenecked by intractable linear KV-cache growth, temporal repetition, and compounding errors during long-video generation. To address these challenges, we present PackForcing, a unified framework that efficiently manages the generation history through a novel three-partition KV-cache strategy. Specifically, we categorize the historical context into three distinct types: (1) Sink tokens, which preserve early anchor frames at full resolution to maintain global semantics; (2) Mid tokens, which achieve a massive spatiotemporal compression (32x token reduction) via a dual-branch network fusing progressive 3D convolutions with low-resolution VAE re-encoding; and (3) Recent tokens, kept at full resolution to ensure local temporal coherence. To strictly bound the memory footprint without sacrificing quality, we introduce a dynamic top-$k$ context selection mechanism for the mid tokens, coupled with a continuous Temporal RoPE Adjustment that seamlessly re-aligns position gaps caused by dropped tokens with negligible overhead. Empowered by this principled hierarchical context compression, PackForcing can generate coherent 2-minute, 832x480 videos at 16 FPS on a single H200 GPU. It achieves a bounded KV cache of just 4 GB and enables a remarkable 24x temporal extrapolation (5s to 120s), operating effectively either zero-shot or trained on merely 5-second clips. Extensive results on VBench demonstrate state-of-the-art temporal consistency (26.07) and dynamic degree (56.25), proving that short-video supervision is sufficient for high-quality, long-video synthesis. https://github.com/ShandaAI/PackForcing
• Abstract（参考訳）: 自己回帰的ビデオ拡散モデルでは顕著な進歩が見られるが、長いビデオ生成において、難易度の高い線形KV-cache成長、時間的反復、複合的エラーによってボトルネックが残っている。 これらの課題に対処するために,新しい3部構成KV-cache戦略によって生成履歴を効率的に管理する統合フレームワークPackForcingを提案する。 具体的には,(1)グローバルセマンティクスを維持するために初期アンカーフレームをフル解像度で保存するシンクトークン,(2)低解像度のVAE再符号化でプログレッシブ3Dコンボリューションを融合させるデュアルブランチネットワークを介して大規模な時空間圧縮(32倍のトークン削減)を実現するミッドトークン,(3)最近のトークンは局所的時間コヒーレンスを確保するためにフル解像度で保持されている。 メモリフットプリントを品質を犠牲にすることなく厳密に拘束するために、中間トークンに対する動的トップ$kのコンテキスト選択機構と、ドロップトークンによる位置ギャップを無視できないオーバーヘッドでシームレスに調整する連続的テンポラルRoPE調整を導入する。 PackForcingは、この原則付き階層的コンテキスト圧縮によって、単一のH200 GPU上で16 FPSでコヒーレントな2分832x480ビデオを生成することができる。 わずか4GBのバウンドKVキャッシュを実現し、24倍の時間外挿(5秒から120秒)を可能にする。 VBenchの広範な結果は、最先端の時間的一貫性 (26.07) と動的度 (56.25) を示し、短いビデオの監視は高品質で長時間のビデオ合成に十分であることを示した。 https://github.com/ShandaAI/PackForcing

関連論文リスト

• Generative Video Compression with One-Dimensional Latent Representation [59.29493435530304]
  1次元(1次元)遅延表現(GVC1D)による生成ビデオ圧縮について紹介する。 GVC1Dはビデオデータを、短期と長期の両方の文脈で条件付けられた極端にコンパクトな1D潜在トークンにエンコードする。 実験結果から,GVC1Dの圧縮効率は従来の圧縮法よりも優れていた。
  論文  参考訳（メタデータ） (2026-03-16T14:02:17Z)
• OVGGT: O(1) Constant-Cost Streaming Visual Geometry Transformer [14.628152488797356]
  OVGGTはトレーニング不要のフレームワークで、メモリと計算を、シーケンスの長さに関わらず固定予算にバウンドする。 我々は,OVGGTが一定のVRAMエンベロープ内で任意の長さのビデオを処理し,最先端の3D幾何精度を実現していることを示す。
  論文  参考訳（メタデータ） (2026-03-06T06:44:17Z)
• TeCoNeRV: Leveraging Temporal Coherence for Compressible Neural Representations for Videos [51.99176811574457]
  Inlicit Neural Representations (INRs) は、最近ビデオ圧縮における印象的な性能を実証した。 しかし、エンコーディング効率を維持しながら高解像度ビデオへのスケーリングは依然として大きな課題である。 3つの重要なコントリビューションを通じて、これらの基本的な制限に対処します。 我々は,UVG,HEVC,MCL-JCVで480p,720p,1080pで実験を行った最初のハイパーネットワークアプローチである。
  論文  参考訳（メタデータ） (2026-02-18T18:59:55Z)
• Towards Holistic Modeling for Video Frame Interpolation with Auto-regressive Diffusion Transformers [95.68243351895107]
  我々はtextbfVideo textbfFrame textbfInterpolation (LDF-VFI) のための textbfLocal textbfDiffusion textbfForcing for textbfVideo textbfFrame textbfInterpolation (LDF-VFI) という包括的でビデオ中心のパラダイムを提案する。 我々のフレームワークは、ビデオシーケンス全体をモデル化し、長距離時間的コヒーレンスを確保する自動回帰拡散変換器上に構築されている。 LDF-VFIは、挑戦的なロングシーケンスベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-21T12:58:52Z)
• PackCache: A Training-Free Acceleration Method for Unified Autoregressive Video Generation via Compact KV-Cache [61.57938553036056]
  トレーニング不要なKVキャッシュ管理手法であるPackCacheを導入し,KVキャッシュを3つの協調機構でコンパクト化する。 効率の面では、PackCacheは48フレームの長いシーケンスで1.7-2.2倍のエンドツーエンド生成を高速化する。
  論文  参考訳（メタデータ） (2026-01-07T19:51:06Z)
• Sparse VideoGen: Accelerating Video Diffusion Transformers with Spatial-Temporal Sparsity [59.80405282381126]
  拡散変換器(DiT)はビデオ生成を支配しているが、その高い計算コストは現実の応用性を著しく制限する。 Sparse VideoGen (SVG) と呼ばれる3次元フルアテンションに固有の空間を利用して推論効率を向上する学習自由フレームワークを提案する。 SVGはCagVideoX-v1.5とHunyuanVideoで最大2.28倍と2.33倍のスピードアップを達成する。
  論文  参考訳（メタデータ） (2025-02-03T19:29:16Z)

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。