論文の概要: Temporal Backtracking Search for Test-time Generative Video Reasoning

• arxiv url: http://arxiv.org/abs/2606.13861v1
• Date: Thu, 11 Jun 2026 19:41:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.616011
• Title: Temporal Backtracking Search for Test-time Generative Video Reasoning
• Title（参考訳）: テスト時間生成ビデオ推論のための時間的バックトラック探索
• Authors: Sejoon Jun, Zheng Ding, Huangyuan Su, Weirui Ye, Yilun Du,
• Abstract要約: 生成的ビデオ推論は、シングルショットのパラダイムによってボトルネックになっている。 本稿では,検索空間を時間軸にシフトさせるTBS(Temporal Backtracking Search)を提案する。 厳格なアウト・オブ・ディストリビューション設定では、TBSは22.7%を達成し、解決された各エピソードは再起動されたブランチから始まる。
• 参考スコア（独自算出の注目度）: 51.4821857044108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While test-time scaling has revolutionized reasoning in large language models, generative video reasoning remains bottlenecked by a single-shot paradigm. We demonstrate that searching over denoising steps cannot rescue logically flawed rollouts because spatial trajectories commit early in the diffusion process. Root-level Best-of-N (BoN) sampling is similarly inefficient: reasoning errors cluster early in the temporal axis, and resampling blindly discards verified upstream progress. To unlock effective test-time scaling for video models, we introduce Temporal Backtracking Search (TBS), which shifts the search space to the temporal axis. TBS transforms video generation into an iterative generate-verify-restart loop via three core mechanisms: (1) variable-K conditioning to resume generation from arbitrary clean prefixes; (2) temporal process verification to localize failures and extract valid restart anchors; and (3) prefix-based search to reallocate compute toward extending correct trajectories rather than root resampling. Across algorithmic, navigation, and robotics domains, TBS Pareto-dominates matched-budget BoN. In a strict out-of-distribution setting where one-shot generation collapses (0.7% for BoN), TBS achieves 22.7%, with every solved episode stemming from a restarted branch. Ultimately, TBS reveals that the local reasoning competence of video models far exceeds what single-shot rollouts indicate, providing a scalable test-time framework to unlock it.
• Abstract（参考訳）: 大規模な言語モデルでは、テストタイムのスケーリングが推論に革命をもたらしたが、生成的ビデオ推論はシングルショットのパラダイムによってボトルネックになっている。 空間軌道は拡散過程の早い段階で進行するため,デノナイジングステップの探索は論理的に欠陥のあるロールアウトを救えないことを示す。 ルートレベルのBest-of-N(BoN)サンプリングも同様に非効率である。 ビデオモデルの効率的なテスト時間スケーリングを実現するために,検索空間を時間軸にシフトさせるTBS(Temporal Backtracking Search)を導入する。 TBSはビデオ生成を,(1)任意のクリーンプレフィックスから生成を再開する変数-K条件,(2)障害をローカライズし,有効な再起動アンカーを抽出する時間的プロセス検証,(3)根本リサンプリングではなく,計算を再配置するプレフィックスベースの探索,という3つのコアメカニズムを通じて,繰り返し生成・検証・リスタートループに変換する。 アルゴリズム、ナビゲーション、ロボティクスの領域全体で、TBS Pareto-dominates matched-budget BoN。 単発生成が崩壊する厳格なアウト・オブ・ディストリビューション(BoNは0.7%)では、TBSは22.7%を達成する。 結局のところ、TBSは、ビデオモデルのローカルな推論能力がシングルショットのロールアウトが示すものを超えていることを明らかにし、それをアンロックするためのスケーラブルなテストタイムフレームワークを提供する。

関連論文リスト

• Detecting AI-Generated Videos with Spiking Neural Networks [26.67301552503132]
  我々は,クロスジェネレータ評価のための冷凍セマンティックエンコーダとともに,スパイク駆動の時間枝で多チャンネル時間残差を処理する検出器であるMASTを提案する。 GenVideoベンチマークでは、MASTは厳密なクロスジェネレータ評価の下で10個の未確認発電機で93.14%の平均精度を達成した。
  論文  参考訳（メタデータ） (2026-05-07T09:08:32Z)
• Stream-T1: Test-Time Scaling for Streaming Video Generation [30.575612184373025]
  Stream-T1は、ストリーミングビデオ生成専用の総合的なテスト時間スケーリングフレームワークである。 5sと30sの総合的なビデオベンチマークで評価すると、Stream-T1は大きな優位性を示している。
  論文  参考訳（メタデータ） (2026-05-06T03:40:05Z)
• LatSearch: Latent Reward-Guided Search for Faster Inference-Time Scaling in Video Diffusion [87.42285185305813]
  本稿では,Reward-Guided Resampling and Pruningを実行する新しい推論時間探索機構を提案する。 LatSearchは、ベースラインのWan2.1モデルと比較して、複数の評価次元にわたるビデオ生成を一貫して改善する。
  論文  参考訳（メタデータ） (2026-03-15T18:07:29Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• A Unified Reasoning Framework for Holistic Zero-Shot Video Anomaly Analysis [64.42659342276117]
  ビデオの異常な研究のほとんどは、フレームワイド検出で停止し、なぜイベントが異常なのかについての洞察はほとんど得られない。 近年の動画の局所化と映像の異常理解手法は、説明可能性を改善するが、データに依存し、タスク固有のままである。 本稿では,時間的検出,空間的局所化,テキスト的説明のギャップを埋める統一的推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-02T14:49:08Z)
• TAR-TVG: Enhancing VLMs with Timestamp Anchor-Constrained Reasoning for Temporal Video Grounding [28.79516973256083]
  時間的ビデオグラウンディングは、自然言語クエリに対応するビデオセグメントを正確にローカライズすることを目的としている。 テンポラルビデオグラウンド(TAR-TVG)のためのタイムスタンプアンカー制約推論を提案する。 TAR-TVGは、思考内容の明示的な監督を強制するために、推論プロセス内にタイムスタンプアンカーを導入する。
  論文  参考訳（メタデータ） (2025-08-11T06:59:32Z)
• RoHM: Robust Human Motion Reconstruction via Diffusion [58.63706638272891]
  RoHMは、モノクロRGB(-D)ビデオから頑健な3次元人間の動きを復元するためのアプローチである。 ノイズと閉鎖された入力データに条件付けし、一貫した大域座標で完全な可塑性運動を再構成した。 本手法は,テスト時に高速でありながら,定性的かつ定量的に最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-01-16T18:57:50Z)

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。