論文の概要: UniTemp: Unlocking Video Generation in Any Temporal Order via Bidirectional Distillation

• arxiv url: http://arxiv.org/abs/2606.18702v1
• Date: Wed, 17 Jun 2026 05:27:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.017555
• Title: UniTemp: Unlocking Video Generation in Any Temporal Order via Bidirectional Distillation
• Title（参考訳）: UniTemp:双方向蒸留で時間順にビデオ生成をアンロック
• Authors: Lin Zhang, Sicheng Mo, Zefan Cai, Jinhong Lin, Zihao Lin, Jiuxiang Gu, Krishna Kumar Singh, Yuheng Li, Yin Li,
• Abstract要約: 任意の時間方向に生成をサポートする自己回帰モデルを訓練する。 UniTempは双方向蒸留フレームワークであり、あらゆる方向のビデオ生成のために単一の自己回帰的な学生モデルを訓練する。 実験により、UniTempはフォワードオンリーの手法と比較して、短いビデオ生成と長いビデオ生成の競合性能を維持していることが示された。
• 参考スコア（独自算出の注目度）: 48.72984575797994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoregressive video diffusion models have emerged as a promising approach for long video generation, achieving strong performance in streaming settings. However, existing methods are restricted to forward temporal generation, whereas practical video creation often requires flexible generation order, e.g., conditioning on future context to extend backward, or on both past and future context for inbetween generation. We bridge this gap by training an autoregressive model that supports generation in arbitrary temporal directions. A key technical challenge arises from the Causal 3D VAE widely used in video diffusion models, which encodes latents strictly conditioned on past context. While suited for forward generation, this causal structure causes inter-block discontinuities when generation proceeds backward. To address this, we introduce blockwise anchor latents, a set of auxiliary latents that restore the missing past context at block boundaries during backward generation. Built on this design, we propose UniTemp, a bidirectional distillation framework that trains a single autoregressive student model for any-direction video generation. At inference time, UniTemp conditions on arbitrary past and/or future frames, improving controllability for both bidirectional and inbetween generation. Experiments show that UniTemp maintains competitive performance on short and long video generation compared to forward-only methods, while enabling diverse workflows such as bidirectional video extension, inbetween generation, looping video generation, scene transition, and visual story generation. Project website: https://lzhangbj.github.io/projects/unitemp/
• Abstract（参考訳）: 自動回帰ビデオ拡散モデルは、ストリーミング設定において強力なパフォーマンスを達成するために、長いビデオ生成において有望なアプローチとして現れてきた。 しかし、既存の手法は前向きの時間的生成に制限されているのに対し、実用的なビデオ生成では、後向きに拡張するために将来のコンテキストを条件付けしたり、過去と未来の両方でインベント・ジェネレーションを行うのに柔軟な生成順序を必要とする場合が多い。 任意の時間方向に生成をサポートする自己回帰モデルを訓練することで、このギャップを埋める。 ビデオ拡散モデルで広く使われているCausal 3D VAEは、過去の文脈で厳格に条件付けられた潜伏者をエンコードする。 フォワード生成に適しているが、この因果構造は、生成が後方に進むとブロック間不連続を引き起こす。 これを解決するためにブロックワイドアンカー潜水器を導入する。これは、後方生成時にブロック境界で失った過去のコンテキストを復元する補助潜水器の集合である。 この設計に基づいて, 双方向蒸留フレームワークUniTempを提案する。 推定時において、UniTempは任意の過去および/または将来のフレーム上で条件を定め、双方向および中間生成の制御性を向上させる。 実験により、UniTempは、フォワードオンリーの手法と比較して、ショートビデオ生成とロングビデオ生成の競争性能を保ちながら、双方向ビデオ拡張、インベントウェア生成、ループビデオ生成、シーン遷移、ビジュアルストーリー生成といった多様なワークフローを実現していることが示された。 プロジェクトWebサイト: https://lzhangbj.github.io/projects/unitemp/

関連論文リスト

• FlowLong: Inference-time Long Video Generation via Manifold-constrained Tweedie Matching [68.01498128172214]
  本稿では,アーキテクチャに依存しない,追加のトレーニングを必要としない長大なビデオ生成のための,斬新でシンプルな推論時間アプローチを提案する。 提案手法では,隣接するウィンドウからのクリーンサンプルをemphTweedieマッチングでブレンドし,テキストbfmanifoldの制約と重複領域間の時間的一貫性を強制する。 本手法は, 時間的一貫性と視覚的品質において, トレーニング不要, 自己回帰ベースラインを両立させながら, ネイティブウィンドウ長よりも数倍長大のビデオを生成する。
  論文  参考訳（メタデータ） (2026-05-20T08:55:37Z)
• Inference-based GAN Video Generation [47.53991869205973]
  可変エンコーダを用いた対向型非条件ビデオジェネレータの実現により,新しいタイプのビデオジェネレータを提案する。 既存のモデルは、生成されたビデオの時間的スケーリングに苦労する。 私たちは、数百から数千のフレームからなる長いビデオを生成するために、新しい、メモリ効率のアプローチを採用しています。
  論文  参考訳（メタデータ） (2025-12-25T20:14:38Z)
• From Slow Bidirectional to Fast Autoregressive Video Diffusion Models [48.35054927704544]
  現在のビデオ拡散モデルは、印象的な生成品質を実現するが、双方向の注意依存のため、インタラクティブなアプリケーションに苦戦する。 この制限には、事前訓練された双方向拡散変換器を自己回帰変換器に適応させ、フレームをオンザフライで生成することで対処する。 我々のモデルは、VBench-Longベンチマークで84.27点のスコアを達成し、以前のすべてのビデオ生成モデルを上回った。
  論文  参考訳（メタデータ） (2024-12-10T18:59:50Z)
• ViD-GPT: Introducing GPT-style Autoregressive Generation in Video Diffusion Models [66.84478240757038]
  ビデオ拡散モデル(VDM)の大多数は、自己回帰的な方法で長いビデオを生成する。 我々は、VDMに因果生成(すなわち一方向)を導入し、過去のフレームを将来のフレームを生成するプロンプトとして利用する。 我々のVD-GPTは、長大なビデオ生成において、定量的かつ質的に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） (2024-06-16T15:37:22Z)

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。