論文の概要: ARGUS: Stacked Multi-View Identity Mosaic Injection for Subject-Preserving Video Generation
- arxiv url: http://arxiv.org/abs/2606.11670v1
- Date: Wed, 10 Jun 2026 05:29:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.303257
- Title: ARGUS: Stacked Multi-View Identity Mosaic Injection for Subject-Preserving Video Generation
- Title（参考訳）: ARGUS:マルチビュー・アイデンティティ・モザイクインジェクションによるビデオ生成
- Authors: Zijie Meng, Jiwen Liu, Yufei Liu, Chengzhuo Tong, Xiaoqiang Liu, Yuanxing Zhang, Yulong Xu, Pengfei Wan,
- Abstract要約: 我々は、主観保存ビデオ生成における中心的ボトルネックがポイント参照パラダイムであると主張している。
私たちは、スタックド・マルチビュー・アイデンティティ・モザイク・インジェクションを中心としたWanベースのフレームワークであるArgusを紹介します。
Argus State-of-the-art results on OpenS2V-Eval Human-Domain, reach 64.38 Total Score, 71.86 FaceSim, 51.62 NexusScore, 79.14 NaturalScore。
- 参考スコア（独自算出の注目度）: 14.365208732682747
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Subject-preserving video generation is not solved by frontal-face similarity alone: a generated person must remain recognizable across motion, large viewpoint changes, expression shifts, occlusion, scale variation, and conflicts among text, first-frame, and identity references. We argue that the central bottleneck is the point-reference paradigm, which collapses identity into a single static observation entangled with pose, accessories, lighting, background, and camera statistics. We introduce Argus, a Wan-based framework centered on Stacked Multi-View Identity Mosaic Injection (SMII). SMII converts MLLM-selected image/video identity evidence into a 3*3 stacked mosaic, synchronizes the mosaic with the current diffusion time, and injects it as negative-time read-only memory in Wan's native token space. This turns identity from an external clean adapter or a single reference image into a compact dynamic distribution. Around SMII, an MLLM Identity Director selects informative identity moments and resolves condition conflicts, while no-cross-pair counterfactual training, Temporal Identity Annealing, and Adaptive Self-Likeness Guidance improve robustness without paired subject-video supervision. We further release HardID-Celeb, a public-figure identity-stress benchmark, and introduce YawScore and OccScore to probe large-yaw and first-frame-occlusion robustness. Argus achieves state-of-the-art results on OpenS2V-Eval Human-Domain, reaching 64.38 Total Score, 71.86 FaceSim, 51.62 NexusScore, and 79.14 NaturalScore. On HardID-Celeb, Argus obtains 76.80 FaceSim and improves YawScore and OccScore by 12.60 and 15.10 points over the strongest baselines, demonstrating that dynamic identity memory and large-scale counterfactual self-supervision are highly effective for subject-preserving video generation.
- Abstract（参考訳）: 生成した人物は、動き、大きな視点の変化、表現のシフト、閉塞、スケールの変化、テキスト、ファーストフレーム、アイデンティティ参照間の衝突を認識できなければならない。
中心的なボトルネックはポイント参照のパラダイムであり、ポーズ、アクセサリー、照明、背景、カメラ統計が絡み合った単一の静的な観察へとアイデンティティを崩壊させる。
私たちは、スタックド・マルチビュー・アイデンティティ・モザイク・インジェクション(SMII)を中心としたワンベースのフレームワークであるArgusを紹介します。
SMIIはMLLMが選択した画像/ビデオの同一性証拠を3*3積み重ねモザイクに変換し、モザイクを現在の拡散時間と同期させ、Wanのネイティブトークン空間において負の時間読み取り専用メモリとして注入する。
これにより、外部のクリーンアダプタや単一の参照イメージからアイデンティティをコンパクトな動的分布に変換する。
SMIIの周辺では、MLLMアイデンティティーディレクタが情報的アイデンティティーモーメントを選択し、条件コンフリクトを解消する一方、非対面反ファクトトレーニング、時間的アイデンティティーアニーリング、適応的セルフライクネスガイダンスは、ペアのビデオ監視なしで堅牢性を向上させる。
さらに、公開フィギュアID-stressベンチマークであるHardID-Celebをリリースし、YawScoreとOccScoreを導入して、大規模および第1フレーム排他的ロバスト性を調査します。
ArgusはOpenS2V-Eval Human-Domainの最先端の結果を達成し、64.38 Total Score、71.86 FaceSim、51.62 NexusScore、79.14 NaturalScoreに到達した。
HardID-Celebにおいて、Argusは76.80 FaceSimを取得し、YawScoreとOccScoreを12.60点、OccScoreを15.10点改善し、動的アイデンティティメモリと大規模な対実的自己スーパービジョンが主観保存ビデオ生成に非常に有効であることを示した。
関連論文リスト
- HarmoView: Harmonizing Multi-View Constraints for Identity-Consistent Video Generation [21.0568663910476]
HarmoViewは、アイデンティティ一貫性のあるビデオ生成のための堅牢なフレームワークである。
3つのアーキテクチャの洗練と、段階的なトレーニングカリキュラムを通じて、マルチビューのキューを統合している。
HarmoViewは、オープンソースベースラインを著しく上回り、主要なクローズドソースエンジンとマッチする。
論文 参考訳（メタデータ） (2026-06-09T13:26:39Z) - Advancing Narrative Long Video Generation via Training-Free Identity-Aware Memory [79.01059178883817]
IAMFlowはトレーニング不要のID対応メモリフレームワークで、永続的なエンティティのIDを明示的にモデル化し追跡する。
VLMは、レンダリングフレームから属性を非同期に検証し、洗練し、暗黙の類似性ベースのマッチングの代わりに明示的なエンティティ追跡を可能にする。
NarraStream-Benchは,6次元にまたがる324のマルチプロンプトスクリプトを備えた,ナラストリームビデオ生成のためのベンチマークである。
論文 参考訳（メタデータ） (2026-05-18T17:54:34Z) - Identity-Consistent Video Generation under Large Facial-Angle Variations [43.89758583859639]
シングルビュー参照ビデオ手法は、大きな顔-角のバリエーションの下でアイデンティティの一貫性を維持するのにしばしば苦労する。
我々は,マルチビュー条件付きフレームワークである$mathrmMv2mathrmID$を提案する。
動作の自然性を維持しながらアイデンティティの整合性を大幅に向上し,クロスペアデータを用いた既存手法よりも優れていた。
論文 参考訳（メタデータ） (2026-03-22T15:54:16Z) - AnyCrowd: Instance-Isolated Identity-Pose Binding for Arbitrary Multi-Character Animation [55.94507360511886]
我々は,任意の文字にスケール可能なトランスフォーマーベースのビデオ生成フレームワークであるAnyCrowdを提案する。
具体的には、まず、DiT処理に先立って文字インスタンスを独立してエンコードするIILR(Instance-Isolated Latent Representation)を導入し、遅延IDの絡み込みを防止する。
この不整合表現に基づいて、さらに、(i)インスタンス認識フォアグラウンドアテンション、(ii)背景中心の相互作用、(iii)世界背景調整に自己注意を分解することで、運転ポーズにアイデンティティを結合するトリステージデカップリングアテンション(TSDA)を提案する。
論文 参考訳（メタデータ） (2026-03-16T15:25:04Z) - Optimizing ID Consistency in Multimodal Large Models: Facial Restoration via Alignment, Entanglement, and Disentanglement [54.199726425201895]
大規模モデルのマルチモーダル編集は、様々なタスクにまたがる強力な編集機能を示している。
現在の顔認証保存法は、顔認証と編集済み要素IPの整合性回復に苦慮している。
そこで我々は,頑健なアイデンティティ特異的顔復元のためのアライメント・ディスタングルメント・アンタングルメント・フレームワークであるEditedIDを提案する。
論文 参考訳（メタデータ） (2026-02-21T08:24:42Z) - DreamID-V:Bridging the Image-to-Video Gap for High-Fidelity Face Swapping via Diffusion Transformer [21.788582116033684]
Video Face Swapping (VFS)は、ターゲットのビデオにソースIDをシームレスに注入する必要がある。
既存の方法は、時間的一貫性を維持しながら、アイデンティティの類似性と属性の保存を維持するのに苦労する。
本稿では,画像顔スワッピングの優位性をビデオ領域にシームレスに転送するための包括的フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-04T08:07:11Z) - Slot-ID: Identity-Preserving Video Generation from Reference Videos via Slot-Based Temporal Identity Encoding [30.62635724018122]
拡散変圧器ビデオジェネレータの同一条件の変種について述べる。
短いクリップでは、ポーズや照明を横切る笑顔の作り方など、主題固有のパターンが明らかになっている。
このアプローチは、大きなポーズの変化と表現力のある顔行動の下で、恒常的にアイデンティティの保持を改善する。
論文 参考訳（メタデータ） (2026-01-04T03:41:55Z) - CanonSwap: High-Fidelity and Consistent Video Face Swapping via Canonical Space Modulation [39.665632874158426]
CanonSwapは、外見情報からモーション情報を分離するビデオフェイススワッピングフレームワークである。
本手法は, 視覚的品質, 時間的整合性, アイデンティティ保存の点で, 既存の手法よりも優れていた。
論文 参考訳（メタデータ） (2025-07-03T15:03:39Z) - ObjectRelator: Enabling Cross-View Object Relation Understanding Across Ego-Centric and Exo-Centric Perspectives [109.11714588441511]
Ego-Exoオブジェクト対応タスクは,セグメンテーションを通じて,ego-Exoパースペクティブ間のオブジェクト関係を理解することを目的としている。
最近提案されたセグメンテーション手法であるPSALMは、このタスクでデモされたゼロショット能力を例外として挙げている。
我々は、マルチモーダルコンディションフュージョンとSSLベースのクロスビューオブジェクトアライメントという、2つの重要なモジュールを特徴とする新しいアプローチであるObjectRelatorを提案する。
論文 参考訳（メタデータ） (2024-11-28T12:01:03Z) - Camera-aware Proxies for Unsupervised Person Re-Identification [60.26031011794513]
本稿では、アノテーションを必要としない純粋に教師なしの人物識別(Re-ID)問題に取り組む。
各クラスタを複数のプロキシに分割し、それぞれのプロキシが同じカメラからのインスタンスを表すことを提案する。
カメラ認識プロキシに基づいて、カメラ内およびカメラ間コントラスト学習コンポーネントをre-idモデル用に設計する。
論文 参考訳（メタデータ） (2020-12-19T12:37:04Z) - Robust Person Re-Identification through Contextual Mutual Boosting [77.1976737965566]
本研究では,歩行者の局地化を目的としたコンテキスト相互ブースティングネットワーク(CMBN)を提案する。
歩行者をローカライズし、文脈情報と統計的推測を効果的に活用することで特徴を再検討する。
ベンチマークの実験は、最先端のアーキテクチャと比較してアーキテクチャの優位性を示している。
論文 参考訳（メタデータ） (2020-09-16T06:33:35Z)
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。