論文の概要: A$^2$RD: Agentic Autoregressive Diffusion for Long Video Consistency
- arxiv url: http://arxiv.org/abs/2605.06924v1
- Date: Thu, 07 May 2026 20:35:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.609187
- Title: A$^2$RD: Agentic Autoregressive Diffusion for Long Video Consistency
- Title（参考訳）: A$^2$RD:ロングビデオ一貫性のためのエージェント的自己回帰拡散
- Authors: Do Xuan Long, Yale Song, Min-Yen Kan, Tomas Pfister, Long T. Le,
- Abstract要約: A$2$RDは、ビデオセグメント・バイ・セグメンテーションを合成し自己改善する閉ループプロセスとして、長いビデオ合成を定式化する。
i) モダリティ間の動画の進行を追跡するマルチモーダルビデオメモリ、(ii) 自然な進行と視覚的整合性のために生成モード間で切り替える適応セグメント生成、(iii) フレームとビデオレベルの各セグメントを自己改善してエラー伝播を防ぐ階層的テストタイム自己改善の3つのコアコンポーネントから構成される。
- 参考スコア（独自算出の注目度）: 49.594617336113714
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Synthesizing consistent and coherent long video remains a fundamental challenge. Existing methods suffer from semantic drift and narrative collapse over long horizons. We present A$^2$RD, an Agentic Auto-Regressive Diffusion architecture that decouples creative synthesis from consistency enforcement. A$^2$RD formulates long video synthesis as a closed-loop process that synthesizes and self-improves video segment-by-segment through a Retrieve--Synthesize--Refine--Update cycle. It comprises three core components: (i) Multimodal Video Memory that tracks video progression across modalities; (ii) Adaptive Segment Generation that switches among generation modes for natural progression and visual consistency; and (iii) Hierarchical Test-Time Self-Improvement that self-improves each segment at frame and video levels to prevent error propagation. We further introduce LVBench-C, a challenging benchmark with non-linear entity and environment transitions to stress-test long-horizon consistency. Across public and LVBench-C benchmarks spanning one- to ten-minute videos, A$^2$RD outperforms state-of-the-art baselines by up to 30% in consistency and 20% in narrative coherence. Human evaluations corroborate these gains while also highlighting notable improvements in motion and transition smoothness.
- Abstract（参考訳）: 一貫性とコヒーレントなロングビデオの合成は、依然として根本的な課題である。
既存の手法は、長い地平線上での意味的なドリフトと物語の崩壊に悩まされている。
A$^2$RDは、一貫性の強制から創造的な合成を分離するエージェント自動回帰拡散アーキテクチャである。
A$^2$RDは、Retrieve--Synthesize--Refine--Updateサイクルを通じてビデオセグメントを合成し、自己改善する閉ループプロセスとして長いビデオ合成を定式化する。
コアコンポーネントは3つある。
一 モダリティを越えた映像の進行を追跡するマルチモーダルビデオメモリ
二 自然の進行及び視覚の整合性のために生成モードを切り替える適応セグメント生成
三 フレーム及びビデオレベルで各セグメントを自己改善し、エラーの伝播を防止する階層的テストタイム自己改善。
さらに、LVBench-Cは、非線形エンティティと環境遷移をストレス-テスト長軸整合性に変換する挑戦的なベンチマークである。
公開およびLVBench-Cベンチマークでは、1分から10分のビデオにまたがって、A$^2$RDは、最先端のベースラインを最大30%、物語コヒーレンスを最大20%向上させる。
人間の評価はこれらの利得を裏付けると同時に、運動と遷移のスムーズさの顕著な改善を強調している。
関連論文リスト
- ONE-SHOT: Compositional Human-Environment Video Synthesis via Spatial-Decoupled Motion Injection and Hybrid Context Integration [49.72976665549397]
人環境ビデオ生成のためのパラメータ効率のよいフレームワークであるONE-SHOTを提案する。
我々の重要な洞察は、生成過程を不整合信号に分解することであり、特に、人間を環境条件から切り離す標準的な空間注入機構を導入する。
提案手法は最先端の手法よりも優れており,ビデオ合成における優れた構造制御と創造的多様性を提供する。
論文 参考訳（メタデータ） (2026-04-01T15:52:00Z) - DCARL: A Divide-and-Conquer Framework for Autoregressive Long-Trajectory Video Generation [10.575655795360937]
DCARLは、分割・変換方式の構造安定性と高忠実度VDMの生成を結合した、新規な分割・変換型自己回帰フレームワークである。
提案手法は,最先端の自己回帰的・分割型ベースラインと比較して,視覚的品質とカメラの密着性の両方において優れた性能を実現する。
論文 参考訳（メタデータ） (2026-03-25T22:07:09Z) - FlowAct-R1: Towards Interactive Humanoid Video Generation [37.04996721172613]
FlowAct-R1は、リアルタイムインタラクティブなヒューマノイドビデオ生成用に特別に設計されたフレームワークである。
我々のフレームワークは、480pの解像度で25fpsの安定を実現し、F(Time-to-first-frame)は1.5秒程度しか持たない。
論文 参考訳（メタデータ） (2026-01-15T06:16:22Z) - VideoSSM: Autoregressive Long Video Generation with Hybrid State-Space Memory [42.2374676860638]
自己回帰(AR)拡散は、フレームを因果的に生成することで、ストリーミングでインタラクティブな長ビデオ生成を可能にする。
微小スケールの地平線上でのコヒーレンスを維持することは、蓄積したエラー、動きのドリフト、およびコンテンツ反復のために依然として困難である。
我々は、AR拡散をハイブリッドな状態空間メモリと統合する長ビデオモデルVideoSSMを提案する。
論文 参考訳（メタデータ） (2025-12-04T07:06:02Z) - Uniform Discrete Diffusion with Metric Path for Video Generation [103.86033350602908]
連続空間ビデオ生成は急速に進歩し、離散的なアプローチはエラーの蓄積と長時間の矛盾により遅れている。
我々は、拡張性のあるビデオ生成のための連続的なアプローチでギャップを埋める強力なフレームワークであるUniform Generative ModelingとUniform pAth(URSA)を提案する。
URSAは既存の離散的手法を一貫して上回り、最先端の連続拡散法に匹敵する性能を達成する。
論文 参考訳（メタデータ） (2025-10-28T17:59:57Z) - DriveGen3D: Boosting Feed-Forward Driving Scene Generation with Efficient Video Diffusion [62.589889759543446]
DriveGen3Dは、高品質で制御可能な動的3D駆動シーンを生成するための新しいフレームワークである。
本研究は,映像の高速化と大規模動的シーン再構築を融合させることにより,この手法のギャップを埋めるものである。
論文 参考訳（メタデータ） (2025-10-17T03:00:08Z) - InfLVG: Reinforce Inference-Time Consistent Long Video Generation with GRPO [73.33751812982342]
InfLVGは、追加のロングフォームビデオデータを必要としないコヒーレントなロングビデオ生成を可能にする推論時フレームワークである。
InfLVGはビデオ長を最大9$times$まで拡張でき、シーン間の一貫性とセマンティック忠実性を実現することができる。
論文 参考訳（メタデータ） (2025-05-23T07:33:25Z) - Tuning-Free Multi-Event Long Video Generation via Synchronized Coupled Sampling [81.37449968164692]
ビデオ全体にわたってデノイングパスを同期する新しい推論フレームワークであるシンクロナイズド結合サンプリング(SynCoS)を提案する。
提案手法は, シームレスな局所遷移を保証し, グローバルコヒーレンスを強制する2つの相補的なサンプリング戦略を組み合わせる。
大規模な実験により、SynCoSは、よりスムーズな遷移とより優れた長距離コヒーレンスを実現し、マルチイベント長ビデオ生成を大幅に改善することが示された。
論文 参考訳（メタデータ） (2025-03-11T16:43:45Z)
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。