Fugu-MT 論文翻訳(概要): SANTS: A State-Adaptive Scheduler for World Action Models

論文の概要: SANTS: A State-Adaptive Scheduler for World Action Models

arxiv url: http://arxiv.org/abs/2605.27947v1
Date: Wed, 27 May 2026 04:40:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-28 17:38:55.745899
Title: SANTS: A State-Adaptive Scheduler for World Action Models
Title（参考訳）: SANTS: 世界アクションモデルのための状態適応型スケジューリング
Authors: Yirui Sun, Guangyu Zhuge, Keliang Liu, Jie Gu, Xinyu Bing, Zhongxue Gan, Chunxu Tian,
Abstract要約: 本稿では,映像間拡散ポリシーのための状態適応型ノイズトラジェクタ(SANTS)について紹介する。 SANTSは現在の映像状態の表現とノイズレベルを読み出し、累積停止ハザードと相対ノイズプログレス比を共同で予測する。実験の結果、SANTSはRoboTwin 2.0で全体の成功(94.4%)、そして7つの実ロボットタスクでの平均成功(73.1%)に達した。
参考スコア（独自算出の注目度）: 7.6647684057216585
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: World Action Models (WAMs) improve robot manipulation by using video-based future representations to condition action generation. In pixel-space WAMs, however, the best action condition is not necessarily the fully denoised video. Controlled denoising-depth scans show that video refinement can reduce action error up to a state-dependent point, after which the gain may saturate or even reverse when late predictions become less action-relevant or physically unreliable. This suggests that action generation should use a state-dependent point along the video noise trajectory rather than a fixed terminal denoising depth. We introduce State-Adaptive Noise Trajectory Scheduler (SANTS), a lightweight scheduler for video-to-action diffusion policies. At each video decision point, SANTS reads the current video-state representation and noise level, then jointly predicts a cumulative stopping hazard and a relative noise-progression ratio. SANTS is post-trained with a path-level reward computed after the frozen action branch generates the final action chunk, so the scheduler is optimized for downstream action quality rather than intermediate video fidelity, while redundant video-state updates are explicitly penalized. Experiments show that SANTS reaches \(94.4\%\) overall success on RoboTwin 2.0 and \(73.1\%\) average success across seven real-robot tasks, while reducing latency by \(81.7\%\) and \(79.0\%\) relative to full video denoising, respectively. These results indicate that adaptive selection along the video noise trajectory can preserve the control benefits of WAM-style future reasoning while removing much of its redundant inference cost.
Abstract（参考訳）: World Action Models (WAM) は、ビデオベースの未来表現を用いてロボット操作を改善し、条件アクション生成を行う。しかし、画素空間のWAMでは、最良のアクション条件が必ずしも完全に識別されたビデオであるとは限らない。制御されたdenoising-depthスキャンにより、ビデオの精細化は状態依存点までアクションエラーを減少させ、その後、遅くなる予測がアクション関連性や物理的に信頼性の低い場合には、そのゲインが飽和または反転する可能性がある。このことは、アクション生成は、深さを規定する固定終端ではなく、ビデオノイズ軌跡に沿った状態依存点を使用するべきであることを示唆している。本稿では,映像間拡散ポリシーのための軽量スケジューラであるState-Adaptive Noise Trajectory Scheduler (SANTS)を紹介する。各ビデオ決定ポイントにおいて、SANTSは現在の映像状態の表現とノイズレベルを読み出し、累積停止ハザードと相対ノイズプログレス比を共同で予測する。 SANTSは、凍結アクションブランチが最終アクションチャンクを生成する後に計算されたパスレベル報酬で後トレーニングされるので、スケジューラは中間映像の忠実さよりも下流アクション品質に最適化され、冗長なビデオ状態更新は明示的にペナル化される。実験の結果、SANTSはRoboTwin 2.0の全体的な成功率(94.4\%)と7つの実ロボットタスクの平均成功率(73.1\%)に到達した。これらの結果は、ビデオノイズ軌跡に沿った適応的な選択は、その冗長な推論コストの多くを取り除きながら、WAMスタイルの将来の推論の制御上の利点を維持できることを示唆している。

関連論文リスト

NoiseGate: Learning Per-Latent Timestep Schedules as Information Gating in World Action Models [19.272356473995245]
World Action Models (WAM) は、ロボットアクション生成と将来の観測モデリングを結びつけるポリシーである。 NoiseGateは軽量なゲーティングポリシーネットワークで、遅延時間当たりのインクリメントをデノイング中に出力する。 NoiseGateは多様なRoboTwinランダムシーン操作タスクに対して一貫したゲインを提供する。
論文参考訳（メタデータ） (2026-05-08T14:31:52Z)
Not All Frames Deserve Full Computation: Accelerating Autoregressive Video Generation via Selective Computation and Predictive Extrapolation [8.70067126225172]
オートレグレッシブ(AR)ビデオ拡散モデルは、長めのビデオ生成を可能にするが、複数ステップの復調を繰り返して高価である。我々は,効率的なARビデオ拡散のためのトレーニングフリーフレームワークSCOPEを提案する。 MAGI-1とSkyReels-V2では、SCOPEは元の出力に匹敵する品質を維持しながら最大4.73倍のスピードアップを達成する。
論文参考訳（メタデータ） (2026-04-03T11:34:47Z)
Streaming Autoregressive Video Generation via Diagonal Distillation [50.13573884115673]
自己回帰モデルは、シーケンシャルフレーム合成のための自然なフレームワークを提供するが、高い忠実性を達成するためには重い計算を必要とする。ビデオチャンクとデノイングステップの時間的情報を活用するために,ダイアゴナル蒸留を提案する。本手法は,2.61秒(最大31FPS)で5秒ビデオを生成し,未蒸留モデル上で277.3倍のスピードアップを実現する。
論文参考訳（メタデータ） (2026-03-10T10:45:24Z)
Foresight: Adaptive Layer Reuse for Accelerated and High-Quality Text-to-Video Generation [3.321460333625124]
Diffusion Transformer (DiTs) は、テキスト・トゥ・イメージ、テキスト・トゥ・ビデオ生成、編集といった最先端の成果を達成する。静的キャッシュは、固定ステップにまたがって機能を再利用することでこれを緩和するが、ジェネレーションダイナミクスに適応できない。ベースライン性能を保ちながらデノナイジングステップ間の計算冗長性を低減させる適応層再利用手法であるForesightを提案する。
論文参考訳（メタデータ） (2025-05-31T00:52:17Z)
Object-Centric Latent Action Learning [70.3173534658611]
本稿では,画素ではなくオブジェクトを対象とする,オブジェクト中心の潜在動作学習フレームワークを提案する。我々は、自己教師対象中心の事前学習を利用して、行動関連や注意をそらすダイナミクスを歪めている。その結果, 物体中心の事前学習は, トラクタの負の効果を50%軽減することがわかった。
論文参考訳（メタデータ） (2025-02-13T11:27:05Z)
Boundary-Denoising for Video Activity Localization [57.9973253014712]
本稿では,映像活動のローカライゼーション問題について,認知的視点から検討する。具体的には,DenoiseLocというエンコーダデコーダモデルを提案する。実験によると、DenoiseLocはいくつかのビデオアクティビティ理解タスクで%前進している。
論文参考訳（メタデータ） (2023-04-06T08:48:01Z)
Self-Conditioned Probabilistic Learning of Video Rescaling [70.10092286301997]
本稿では,ビデオ再スケーリングのための自己条件付き確率的フレームワークを提案し,ペアダウンスケーリングとアップスケーリングの手順を同時に学習する。我々は、その条件付き確率を強い時空間事前情報に基づいて最大化することにより、ダウンスケーリングで失われた情報のエントロピーを減少させる。我々は、このフレームワークを、非微分産業損失コーデックの勾配推定器として提案する、損失のあるビデオ圧縮システムに拡張する。
論文参考訳（メタデータ） (2021-07-24T15:57:15Z)
Accelerating Deep Reinforcement Learning With the Aid of Partial Model: Energy-Efficient Predictive Video Streaming [97.75330397207742]
深層強化学習を用いて,モバイルネットワーク上でのエネルギー効率の高いビデオストリーミングのための予測電力割り当てを考案した。連続状態と行動空間を扱うために、我々はDeep Deterministic Policy gradient (DDPG)アルゴリズムを利用する。シミュレーションの結果,提案手法は完全大規模チャネル予測に基づいて導出される最適方針に収束することが示された。
論文参考訳（メタデータ） (2020-03-21T17:36:53Z)

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。