論文の概要: Your Data Manifold is Secretly a Reward Model: Shell-LCC for Text-to-Video Generation

• arxiv url: http://arxiv.org/abs/2606.30248v1
• Date: Mon, 29 Jun 2026 12:57:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.23785
• Title: Your Data Manifold is Secretly a Reward Model: Shell-LCC for Text-to-Video Generation
• Title（参考訳）: データ・マニフォールドはひそかに逆流モデル:テキスト・ビデオ・ジェネレーションのためのシェルLCC
• Abstract要約: 我々は、あなたのデータ多様体は秘密裏に報酬モデルであると主張する。 私たちは、ビデオの品質を大幅に向上させる、密度が高く、差別化可能で、ほとんど費用がかからない報酬シグナルを導き出します。 実験により、我々の手法はリアリズムを改善し、高周波の詳細を高め、過度に滑らかなアーティファクトを減らし、動きのぼやけを軽減することが示されている。
• 参考スコア（独自算出の注目度）: 65.63970836235409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent text-to-video (T2V) diffusion models rely heavily on auxiliary reward signals (e.g., via reward models or DPO) to align generated content with human aesthetics and improve realism. These signals, however, incur substantial computational overhead, require costly human annotations, and often yield limited improvement in fine-grained local details. In this paper, we argue that your data manifold is secretly a reward model. By explicitly modeling the manifold structure of high-quality Supervised Fine-Tuning (SFT) data and encouraging video latents to lie on this manifold, we derive dense, differentiable, and nearly cost-free reward signals that significantly improve video quality, particularly in mitigating low-level distortions. Our modeling builds upon Local Coordinate Coding (LCC), which captures the `skeleton' of the manifold. However, directly applying LCC suffers from mean regression, pulling latents toward the geometric mean and losing high-frequency details. We therefore extend it to Shell Local Coordinate Coding (Shell-LCC), which models the manifold `surface' as an isotropic shell to align with the true high-density region. Experiments demonstrate that our approach improves realism, enhances high-frequency details, reduces over-smoothing artifacts, and alleviates motion blur.
• Abstract（参考訳）: 最近のテキスト・ツー・ビデオ拡散モデル(T2V)は、人間の美学やリアリズムを改善するために補助的な報酬信号(例えば報酬モデルやDPO)に大きく依存している。 しかし、これらの信号はかなりの計算オーバーヘッドを伴い、コストのかかる人的アノテーションを必要とし、しばしばきめ細かい局所的な詳細を限定的に改善する。 本稿では,データ多様体は秘かに報酬モデルであると主張する。 高品質のスーパーバイザード・ファインチューニング(SFT)データの多様体構造を明示的にモデル化し、ビデオ潜伏者をこの多様体の上に配置させることにより、特に低レベルの歪みを緩和するために、映像品質を著しく向上させる高密度で微分可能でほぼ無償の報酬信号を導出する。 我々のモデリングは局所座標符号化(LCC)の上に構築され、多様体の'スケルトン'をキャプチャする。 しかし、LCCを直接適用することは平均回帰に悩まされ、潜伏者を幾何学的平均に向かって引き寄せ、高周波の詳細を失う。 したがって、それをシェル局所座標符号化 (Shell Local Coordinate Coding, Shell-LCC) に拡張し、これは多様体 ‘ Surface' を真の高密度領域と整合する等方的シェルとしてモデル化する。 実験により、我々の手法はリアリズムを改善し、高周波の詳細を高め、過度に滑らかなアーティファクトを減らし、動きのぼやけを軽減することが示されている。

関連論文リスト

• Improving Reconstruction of Representation Autoencoder [52.817427902597416]
  低レベル情報を欠いた意味的特徴を増強する表現オートエンコーダLV-RAEを提案する。 実験により,LV-RAEは意味的抽象化を保ちながら,再構成の忠実度を著しく向上することが示された。
  論文  参考訳（メタデータ） (2026-02-09T13:12:35Z)
• UniSH: Unifying Scene and Human Reconstruction in a Feed-Forward Pass [83.7071371474926]
  UniSHは、統合されたフィードフォワードフレームワークで、共同でメートルスケールの3Dシーンと人間の再構築を行う。 我々のフレームワークは、シーン再構築とHMRとの違いを強く橋渡しします。 本モデルは,人間中心のシーン再構築における最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-01-03T16:06:27Z)
• Zero-shot Adaptation of Stable Diffusion via Plug-in Hierarchical Degradation Representation for Real-World Super-Resolution [22.82705867627899]
  Real-World Image Super-Resolutionは、未知の複雑な実世界の要因によって劣化した低品質な入力から高品質なイメージを復元することを目的としている。 textbfHD-CLIP (textbfHierarchical textbfDegradation CLIP)は、低品質の画像をセマンティック埋め込みに分解する。 textbfCLIPは、トレーニングなしで様々な超解像度フレームワークにシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-12-11T06:45:28Z)
• CLoD-GS: Continuous Level-of-Detail via 3D Gaussian Splatting [7.764273859026904]
  連続的なLoD機構を直接3DGS表現に統合するフレームワークであるCLoD-GSを紹介する。 CLoD-GSは、単一のモデルからスムーズで高品質なレンダリングを実現し、さまざまなパフォーマンス目標に対して高忠実度な結果を提供する。
  論文  参考訳（メタデータ） (2025-10-11T03:48:11Z)
• Dual-Expert Consistency Model for Efficient and High-Quality Video Generation [57.33788820909211]
  本稿では,パラメータ効率の高いtextbfDual-Expert Consistency Model (DCM) を提案する。 提案手法は, ビデオ拡散モデル蒸留における専門的専門化の有効性を実証し, サンプリング工程を大幅に短縮して, 最先端の視覚品質を実現する。
  論文  参考訳（メタデータ） (2025-06-03T17:55:04Z)
• Likelihood Training of Cascaded Diffusion Models via Hierarchical Volume-preserving Maps [19.573246885611923]
  確率的マルチスケールモデルにおける根本的な難しさを克服しさえすれば、カスケードモデルは優れた確率モデルになり得ることを示す。 主にカスケードモデルにおいて、各中間スケールは、可能性評価のために取り除くことができない余剰変数を導入している。 また、ラプラシアピラミッドとウェーブレット変換は、確率モデルにおけるベンチマークの選択における最先端の大幅な改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2025-01-13T01:20:23Z)
• Anti-Aliased Neural Implicit Surfaces with Encoding Level of Detail [54.03399077258403]
  本稿では,高頻度幾何細部リカバリとアンチエイリアス化された新しいビューレンダリングのための効率的なニューラル表現であるLoD-NeuSを提案する。 我々の表現は、光線に沿った円錐状のフラストラム内の多面体化から空間特徴を集約する。
  論文  参考訳（メタデータ） (2023-09-19T05:44:00Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)

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。