論文の概要: Hierarchical Denoising For Multi-Step Visual Reasoning
- arxiv url: http://arxiv.org/abs/2607.15278v1
- Date: Thu, 16 Jul 2026 17:59:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.208484
- Title: Hierarchical Denoising For Multi-Step Visual Reasoning
- Title（参考訳）: マルチステップビジュアル推論のための階層的Denoising
- Abstract要約: Hierarchical Denoising for Visual Reasoningは階層的遅延を多段階推論のための因果的ビデオ生成に統合する。
遅延1秒あたり0.70秒の高速ストリーミングは、双方向拡散よりも54.2倍高速な推論を実現する。
実世界のロボット実験は、物理相互作用と世界モデリングに対するHDRの可能性をさらに実証する。
- 参考スコア（独自算出の注目度）: 36.011940670337886
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video models are evolving into vision foundation models, yet they still lack human-like multi-step reasoning. Streaming autoregressive diffusion models are efficient but limited in reasoning, while bidirectional diffusion enables global revision with high inference costs due to dense frame-level denoising. Both paradigms struggle to achieve logical consistency and low-latency streaming for complex reasoning tasks. We propose HDR (Hierarchical Denoising for Visual Reasoning), a unified framework that integrates hierarchical latents into causal video generation for multi-step reasoning. HDR organizes video latents into a tree-structured hierarchy, enabling coarse-to-fine reasoning before streaming output. Coarse denoising layers preserve uncertain hypotheses for global planning, while finer layers progressively refine them into concrete visual states. A sparse hierarchical attention pattern (SHAP) further reduces temporal attention costs. We introduce a level-stratified multi-step video reasoning benchmark with out-of-distribution cases, covering six tasks: maze navigation, Tower of Hanoi, one-line drawing, sliding puzzle, Sokoban, and water pouring. Compared with streaming autoregressive diffusion baselines, HDR improves success from 34.22 to 60.29 (76.2% relative gain) and increases average progress from 76.00 to 89.56, demonstrating more consistent reasoning trajectories. HDR maintains low-latency streaming at 0.70 seconds per latent, achieving 54.2 times faster inference than bidirectional diffusion. It also retains 82.9% of full-data performance with only 2% training data, compared with 52.0% for bidirectional diffusion. Real-world robot experiments further demonstrate HDR's potential for physical interaction and world modeling. Project demo: https://hierarchical-diffusion-reasoning.github.io/.
- Abstract（参考訳）: ビデオモデルは視覚基盤モデルに進化しつつあるが、人間のような多段階推論はいまだに欠けている。
ストリーミング自己回帰拡散モデルは、推論において効率的だが限定的である一方、双方向拡散は、フレームレベルの密度の高密度化による推論コストの高い大域的リビジョンを可能にする。
どちらのパラダイムも、複雑な推論タスクのために論理的一貫性と低レイテンシストリーミングを達成するのに苦労している。
HDR(Hierarchical Denoising for Visual Reasoning)は,階層型ラテントを多段階推論のための因果ビデオ生成に統合した統合フレームワークである。
HDRは、ビデオラテントを木構造階層に整理し、ストリーミング出力の前に粗大な推論を可能にする。
粗い層はグローバルな計画のための不確実な仮説を保ち、より微細な層はそれらを具体的視覚状態へと徐々に洗練する。
スパース階層型アテンションパターン(SHAP)は、時間的アテンションコストをさらに削減する。
本研究では,迷路ナビゲーション,ハノイ塔,ワンラインドローイング,スライディングパズル,ソコバン,水を注ぐ6つのタスクを網羅したマルチステップビデオ推論ベンチマークを提案する。
ストリーミング自己回帰拡散ベースラインと比較して、HDRは34.22から60.29(76.2%の相対的なゲイン)に改善し、平均的な進歩を76.00から89.56に増加させ、より一貫性のある推論軌道を示す。
HDRは遅延1秒あたり0.70秒の低レイテンシストリーミングを維持し、双方向拡散よりも54.2倍高速な推論を実現している。
また、完全なデータ性能の82.9%を保持し、2%のトレーニングデータしか保持していないが、双方向拡散では52.0%である。
実世界のロボット実験は、物理相互作用と世界モデリングに対するHDRの可能性をさらに実証する。
プロジェクトデモ:https://hierarchical-diffusion-reasoning.github.io/。
関連論文リスト
- Ms. Forcing: Efficient Streaming Video Generation with Multi-Scale Patchification and Attention [20.731300934175042]
Ms.Forcingは、各状態のノイズレベルに空間的粒度を適応させる効率的なストリーミングビデオ生成パラダイムである。
Ms.Forcingは1つのH200 GPU上で22.84 FPSに達し、Rolling Forcingよりも39.6%高速である。
論文 参考訳（メタデータ） (2026-07-23T05:35:31Z) - SoulX-LiveAct: Towards Hour-Scale Real-Time Human Animation with Neighbor Forcing and ConvKV Memory [25.57144961436966]
自己回帰(AR)拡散モデルは、ビデオ合成のような逐次生成タスクのための有望なフレームワークを提供する。
同じ雑音条件下で隣接フレームを時間的に伝播する拡散ステップ整合AR式であるNeighbor Forcingを提案する。
提案手法は,既存のAR拡散法と比較して,トレーニング収束,時間スケール生成品質,推論効率を著しく向上させる。
論文 参考訳（メタデータ） (2026-03-12T09:49:58Z) - Streaming Autoregressive Video Generation via Diagonal Distillation [50.13573884115673]
自己回帰モデルは、シーケンシャルフレーム合成のための自然なフレームワークを提供するが、高い忠実性を達成するためには重い計算を必要とする。
ビデオチャンクとデノイングステップの時間的情報を活用するために,ダイアゴナル蒸留を提案する。
本手法は,2.61秒(最大31FPS)で5秒ビデオを生成し,未蒸留モデル上で277.3倍のスピードアップを実現する。
論文 参考訳（メタデータ） (2026-03-10T10:45:24Z) - HiAR: Efficient Autoregressive Long Video Generation via Hierarchical Denoising [52.237486207964245]
HiARは階層的なデノベーションフレームワークで、従来の世代順を逆転させる。
発声ステップ毎に全てのブロックを因果生成し、各ブロックが常に同じノイズレベルでコンテキストで条件付けされるようにする。
VBench(20世代)では、HiARは比較したすべての方法の中で最高の総合スコアと最低時間ドリフトを達成する。
論文 参考訳（メタデータ） (2026-03-09T17:58:16Z) - Causality in Video Diffusers is Separable from Denoising [38.11368818072302]
因果関係は、ビデオ、言語、ロボット軌道など、多くの複雑な生成過程の基盤となっている。
現在の因果拡散モデルでは、時間的推論を反復的妄想と結び付け、すべての層に因果的注意を向ける。
これらのモデルにおける因果推論は、多段階の分極過程から分離可能であることを示す。
これらの知見に触発されて、多段階フレームワイドレンダリングから因果トランスフォーマーエンコーダを介して、1フレーム毎の時間的推論を明示的に分離する新しいアーキテクチャであるSCD(Separable Causal Diffusion)を導入する。
論文 参考訳（メタデータ） (2026-02-10T18:57:21Z) - Reward Forcing: Efficient Streaming Video Generation with Rewarded Distribution Matching Distillation [69.57572900337176]
本稿では,効率的なストリーミングビデオ生成のための新しいフレームワークであるReward Forcingを紹介する。
EMA-Sinkトークンは、長期コンテキストと最近のダイナミクスの両方をキャプチャし、初期フレームコピーを防ぐ。
Re-DMDは、視覚言語モデルにより評価されたより大きなダイナミックスを持つサンプルを優先順位付けすることで、モデル出力分布を高逆領域にバイアスする。
論文 参考訳（メタデータ） (2025-12-04T11:12:13Z) - Lightning Fast Caching-based Parallel Denoising Prediction for Accelerating Talking Head Generation [50.04968365065964]
拡散に基づく音声ヘッドモデルは高品質でフォトリアリスティックなビデオを生成するが、推論が遅い。
我々はLightning-fast Caching-based Parallel Denoising Prediction (LightningCP)を紹介する。
また,より高速な注意計算を実現するために,DFA(Decoupled Foreground Attention)を提案する。
論文 参考訳（メタデータ） (2025-08-25T02:58:39Z) - OSCAR: One-Step Diffusion Codec Across Multiple Bit-rates [39.746866725267516]
事前訓練された潜伏拡散モデルでは、画像圧縮が失われる可能性が強い。
我々はOSCARと呼ばれる複数のビットレートにまたがる1ステップ拡散を提案する。
実験により、OSCARは量的および視覚的品質の指標において優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-05-22T00:14:12Z) - One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。
拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。
提案手法は,実測値と非参照値の両方で高い性能を達成する。
論文 参考訳（メタデータ） (2025-03-09T09:39:57Z)
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。