論文の概要: Inference-Time Concept Suppression and Video-Centric Evaluation for Text-to-Video Models
- arxiv url: http://arxiv.org/abs/2607.14194v1
- Date: Wed, 15 Jul 2026 16:26:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.860436
- Title: Inference-Time Concept Suppression and Video-Centric Evaluation for Text-to-Video Models
- Title（参考訳）: テキスト・ビデオ・モデルにおける推論時間概念の抑圧と映像中心評価
- Abstract要約: テキスト・トゥ・ビデオ(T2V)ジェネレータは、現実的で時間的に一貫性のあるビデオを合成することができる。
テキスト・ツー・イメージの消去とは異なり、T2Vアンラーニングはフレーム間で持続する可能性のあるターゲット概念を抑える必要がある。
概念レベルT2Vアンラーニングのためのトレーニング不要推論時間フレームワークである textbfSIRUS を提案する。
- 参考スコア（独自算出の注目度）: 3.414053724037068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-to-video (T2V) generators can synthesize realistic and temporally coherent videos, but controllably removing a target concept from a generator remains difficult. Unlike text-to-image concept erasure, T2V unlearning must suppress a target concept that may persist across frames while preserving non-target subjects, actions, scenes, and temporal structure. We propose \textbf{SIRUS}, a training-free inference-time framework for concept-level T2V unlearning. Given textual aliases of a target concept, SIRUS localizes target-related prompt evidence and suppresses target expression during sampling, without updating the text encoder or denoising network. We further introduce a video-oriented evaluation framework for T2V unlearning that separately measures target forgetting, non-target preservation, video quality, jailbreak robustness, and efficiency, using video-level failure criteria, frame-level residue statistics, paired preservation analysis, VBench-based quality diagnostics, and deployment overhead measurement. Across five safety, object, and style concepts on CogVideoX, SIRUS reaches 70.4\% average forgetting success and 25.7\% average frame hit, compared with 44.4\% / 47.2\% for VideoEraser, while reducing the average VBench quality drop from -0.043 to -0.016, yielding the strongest forgetting-quality trade-off among fully evaluated baselines. Transfer experiments on Wan2.2 further suggest that SIRUS generalizes across modern T2V backbones.
- Abstract（参考訳）: テキスト・ツー・ビデオ(T2V)ジェネレータは、現実的で時間的に一貫性のあるビデオを生成することができるが、ジェネレータからターゲット概念を制御的に除去することは困難である。
テキスト・ツー・イメージの消去とは異なり、T2Vのアンラーニングは、非ターゲットの主題、アクション、シーン、時間構造を保存しながら、フレーム全体で持続する可能性のあるターゲット概念を抑える必要がある。
概念レベルT2Vアンラーニングのためのトレーニング不要推論時間フレームワークである「textbf{SIRUS}」を提案する。
ターゲット概念のテキストエイリアスを与えられたSIRUSは、テキストエンコーダや復号ネットワークを更新することなく、ターゲット関連のプロンプトエビデンスをローカライズし、サンプリング中のターゲット表現を抑制する。
さらに,ビデオレベルの障害基準,フレームレベルの残差統計,ペア保存分析,VBenchに基づく品質診断,デプロイメントオーバーヘッド測定などを用いて,忘れ,非ターゲット保存,映像品質,ジェイルブレイクの堅牢性,効率性を別々に測定する,T2Vアンラーニングのためのビデオ指向評価フレームワークについても紹介する。
安全性、オブジェクト、スタイルの5つの概念の中で、SIRUSは平均70.4\%、平均25.7\%、VEraserは44.4\% / 47.2\%、VBenchの品質は-0.043から-0.016に低下し、完全に評価されたベースラインの中で最大の忘れられる品質のトレードオフをもたらす。
Wan2.2の移動実験は、SIRUSが現代のT2Vのバックボーンにまたがって一般化することを示唆している。
関連論文リスト
- LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics [50.45297537821907]
我々はLeJEPAの崩壊のない目的の下で訓練された最初のビデオエンコーダLeVJEPAを紹介する。
単一のエンコーダは、クリップのグローバルおよびローカルビューよりも分散損失で訓練される。
LeVJEPAはV-JEPA 2とVT-S/B/Lの5.6から20.8倍の速さで一致または超える。
論文 参考訳（メタデータ） (2026-08-27T17:26:24Z) - BRITE: A Benchmark for Reliable and Interpretable T2V Evaluation on Implausible Scenarios [4.853153612241331]
既存のベンチマークは、ほとんど見過ごせないシナリオであり、オーディオと視覚のアライメントを計測しない。
本稿では,BRITEについて紹介する。BRITEは難解なプロンプトを統一する最初のフレームワークで,音声・視覚的一貫性のきめ細かい評価,QAに基づく解釈可能な評価を行う。
論文 参考訳（メタデータ） (2026-04-24T21:34:52Z) - Speculative Decoding for Autoregressive Video Generation [9.370533301840284]
ブロックベースの自己回帰ビデオ拡散に投機的復号化をもたらすSDVGを導入する。
1.3Bのドラフトラは、4つのデノナイジングステップを通じて候補ブロックを提案し、各ブロックはVAEデコードされ、ImageRewardによってスコア付けされる。
固定しきい値タウ以上のブロックは14BターゲットのKVキャッシュに受理され、残りはターゲットによって再生される。
論文 参考訳（メタデータ） (2026-04-19T12:01:57Z) - CVA: Context-aware Video-text Alignment for Video Temporal Grounding [16.546053936240362]
時間に敏感なビデオテキストアライメントを実現するための新しいフレームワークであるCVA(Context-aware Video-text Alignment)を提案する。
まず、意味的に無関係なコンテンツだけが混在することを保証する新しいデータ拡張戦略であるQCD(Query-aware Context Diversification)を提案する。
第二に、文脈不変境界識別(CBD)損失は、時間的境界の挑戦において意味的一貫性を強制する対照的な損失である。
第3に、窓付き自己注意と双方向交差を組み合わせた階層型アーキテクチャであるContext-enhanced Transformer (CTE)を導入する。
論文 参考訳（メタデータ） (2026-03-26T01:53:00Z) - Shot-Aware Frame Sampling for Video Understanding [10.771430339569795]
InfoShotは、長時間ビデオ理解のためのタスクに依存しない、ショット対応のフレームサンプリングツールである。
設計は、サンプルセットがショット構造とスパース内偏差の両方について高い情報を保持することを奨励する情報理論の目的によって導かれる。
実験の結果,InfoShotはフレーム数制約下での異常ヒット率とダウンストリームビデオQA精度を改善することがわかった。
論文 参考訳（メタデータ） (2026-03-18T05:36:57Z) - STVG-R1: Incentivizing Instance-Level Reasoning and Grounding in Videos via Reinforcement Learning [65.36458157092207]
視覚言語モデル(VLM)では、テキスト記述と視覚座標のミスアライメントはしばしば幻覚を引き起こす。
本稿では,座標の調整が難しい問題を回避するために,新しい視覚的プロンプトパラダイムを提案する。
本稿では,STVGの最初の強化学習フレームワークであるSTVG-R1を紹介する。
論文 参考訳（メタデータ） (2026-02-12T08:53:32Z) - VideoScore2: Think before You Score in Generative Video Evaluation [69.43069741467603]
VideoScore2は、視覚的品質、テキスト・ツー・ビデオのアライメント、物理的/常識的一貫性を明確に評価する多次元、解釈可能、そして人間によるアライメントフレームワークである。
我々のモデルは、27,168人の注釈付きビデオを含む大規模なデータセットVideoFeedback2で訓練されている。
論文 参考訳（メタデータ） (2025-09-26T18:09:03Z) - ResidualViT for Efficient Temporally Dense Video Encoding [66.57779133786131]
我々は,時間的に密集したタスクに対する計算機能のコスト削減に3つの貢献をしている。
まず、ビデオの時間的冗長性を活用するビジョントランスフォーマー(ViT)アーキテクチャ、ResidualViTを紹介する。
第2に,原基礎モデルのフレームレベルの特徴を近似する軽量蒸留方式を提案する。
論文 参考訳（メタデータ） (2025-09-16T17:12:23Z) - T2VShield: Model-Agnostic Jailbreak Defense for Text-to-Video Models [88.63040835652902]
テキストからビデオモデルへの攻撃はジェイルブレイク攻撃に弱いため、特別な方法で安全メカニズムをバイパスし、有害または安全でないコンテンツの生成につながる。
我々は、ジェイルブレイクの脅威からテキストからビデオモデルを守るために設計された包括的でモデルに依存しない防衛フレームワークであるT2VShieldを提案する。
本手法は,既存の防御の限界を特定するために,入力,モデル,出力の段階を体系的に解析する。
論文 参考訳（メタデータ） (2025-04-22T01:18:42Z) - ReferDINO: Referring Video Object Segmentation with Visual Grounding Foundations [33.74746234704817]
ビデオオブジェクトセグメンテーション(RVOS)は、テキスト記述に基づいて、ビデオ全体を通してターゲットオブジェクトをセグメンテーションすることを目的としている。
これは、深い視覚レベルの理解、ピクセルレベルの高密度な予測、時間的推論を含むため、難しい。
基礎的な視覚基盤モデルから領域レベルの視覚テキストアライメントを継承するbfReferDINO RVOSを提案する。
論文 参考訳（メタデータ） (2025-01-24T16:24:15Z) - NSNet: Non-saliency Suppression Sampler for Efficient Video Recognition [89.84188594758588]
非定常フレームの応答を抑制するために, NSNet(Non-Sliency Suppression Network)を提案する。
NSNetは最先端の精度効率トレードオフを実現し、最先端の手法よりもはるかに高速な2.44.3xの実用的な推論速度を示す。
論文 参考訳（メタデータ） (2022-07-21T09:41:22Z)
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。