論文の概要: ElasticTTT: Prior-Preserving Test-Time Tuning for Video Editing

• arxiv url: http://arxiv.org/abs/2607.21529v1
• Date: Thu, 23 Jul 2026 17:15:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.495108
• Title: ElasticTTT: Prior-Preserving Test-Time Tuning for Video Editing
• Title（参考訳）: ElasticTTT: ビデオ編集のための事前保存テスト時間チューニング
• Abstract要約: 事前訓練された拡散モデル上でのTTT(Test-Time Tuning)は、ビデオ編集の強力なパラダイムとして現れている。 生成モデルの分布マッピング特性と標準TTTの単一点最適化との間には、基礎的なミスマッチが存在する。 我々は,従来の生成的分布を保存し,生成的弾性を回復する新しいフレームワークである textbfElasticTTT を提案する。
• 参考スコア（独自算出の注目度）: 10.421086903781775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-Time Tuning (TTT) on pretrained diffusion models has emerged as a powerful paradigm for video editing. However, there exists a foundational mismatch between the distribution-mapping nature of generative models and the single-point optimization of standard TTT. In this paper, we demonstrate that this mismatch triggers \textit{Prior Collapse}, a degenerate state where the model discards the text conditions and spatial latents, collapsing generations to the source video, or entangling the features of distinct regions. To resolve this, we propose \textbf{ElasticTTT}, a novel framework that preserves the prior generative distribution and rescues generative elasticity. Specifically, we propose \textit{Target Distribution Regularization} to prevent sharp memorization minima, \textit{Contrastive CFG} to guide inference away from source biases, and \textit{Asynchronous Noise Schedule} to preserve unedited regions. Extensive evaluations, supported by theoretical analysis, demonstrate that ElasticTTT successfully preserves the generative prior of the base model, achieving state-of-the-art performance on one-shot video editing.
• Abstract（参考訳）: 事前訓練された拡散モデル上でのTTT(Test-Time Tuning)は、ビデオ編集の強力なパラダイムとして現れている。 しかし、生成モデルの分布マッピング特性と標準TTTの単一点最適化との間には、基礎的なミスマッチが存在する。 本稿では,このミスマッチが,テキスト条件や空間遅延をモデルが破棄する退化状態である「textit{Prior Collapse}」をトリガすることを示す。 そこで本稿では, 従来の生成的分布を保存し, 生成的弾性を回復する新しいフレームワークである \textbf{ElasticTTT} を提案する。 具体的には、シャープな記憶最小化を回避するために \textit{Target Distribution Regularization} 、ソースバイアスから推論を導くために \textit{Contrastive CFG} 、未編集領域を保存するために \textit{Asynchronous Noise Schedule} を提案する。 理論的解析によって支持された広範囲な評価は、ElasticTTTがベースモデルの生成前の保存に成功し、ワンショットビデオ編集における最先端のパフォーマンスを達成することを実証している。

関連論文リスト

• AST: Adaptive, Seamless, and Training-Free Precise Speech Editing [28.699272599440032]
  ASTはAdaptive, Seamless, and Trainingなしの正確な音声編集フレームワークである。 ASTはワードエラー率を70%近く削減し,一貫性を向上させることを示す。 基礎的TSモデルにASTを適用すると、WDTWは27%減少し、最先端の話者保存と時間的忠実度を達成する。
  論文  参考訳（メタデータ） (2026-04-17T13:30:59Z)
• Matching Features, Not Tokens: Energy-Based Fine-Tuning of Language Models [102.20309135516186]
  クロスエントロピー(CE)トレーニングは、言語モデルの密集したスケーラブルな監視を提供する。 言語モデル微調整のための特徴マッチング手法を提案する。 この目的を効率的に最適化するために,エネルギーベースファインチューニングを提案する。
  論文  参考訳（メタデータ） (2026-03-12T17:57:50Z)
• Score-Guided Proximal Projection: A Unified Geometric Framework for Rectified Flow Editing [1.0312968200748118]
  Rectified Flowモデルは最先端の世代品質を実現するが、正確なタスクのためにそれらを制御することは依然として困難である。 現在のアプローチは「幾何学的ロック」に苦しむ逆法に基づくガイダンスに分岐する Score-Guided Proximal Projectionは,決定論的最適化と縮尺サンプリングのギャップを埋める統一フレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T23:44:45Z)
• Rethinking Test-Time Training: Tilting The Latent Distribution For Few-Shot Source-Free Adaptation [3.5808917363708743]
  完全に凍結したモデル体制下で, 数ショット分類のための基礎モデルの試験時間適応について検討した。 本稿では,エンコーダによって誘導される潜伏埋め込み分布に対して,測定値の変更を行うことにより,新しいタスクに予測を適応させる,最初のトレーニング不要推論手法を提案する。
  論文  参考訳（メタデータ） (2026-02-02T18:17:29Z)
• Beyond Parameter Finetuning: Test-Time Representation Refinement for Node Classification [59.11332582888994]
  グラフニューラルネットワークは、アウト・オブ・ディストリビューションテストのシナリオにおいて、大きなパフォーマンス劣化を示すことが多い。 本稿では,モデルパラメータから潜在表現へ適応対象を遷移させる新しいテスト時間表現ファインタニングフレームワークTTReFTを提案する。 具体的には,(1)特定の介入に対する不確実性誘導ノード選択,(2)事前学習した知識を保存する低ランク表現介入,(3)介入認識型マスク付きオートエンコーダの3つの重要な革新によって,TTReFTはこれを達成している。
  論文  参考訳（メタデータ） (2026-01-29T12:17:34Z)
• Predict-Project-Renoise: Sampling Diffusion Models under Hard Constraints [5.539946449743145]
  物理法則や観測整合性などの厳しい制約を世代毎に適用する制約付きサンプリングフレームワークを導入する。 提案手法では,制約条件を満たすサンプルの集合にのみ拡散する制約付き前方過程を定義し,制約付き辺縁分布を誘導する。 本稿では,制約された辺縁領域から,予測と予測を交互に行い,実現可能なセットに投影し,再現性のあるアルゴリズムであるPredict-Project-Renoise (PPR)を提案する。
  論文  参考訳（メタデータ） (2026-01-28T20:50:19Z)
• Fine-tuning Done Right in Model Editing [83.79661791576103]
  大規模な言語モデルを適応するための基礎的な手法であるファインチューニングは、長い間モデル編集には有効ではないと考えられてきた。 ミニバッチ最適化により、標準的な幅優先パイプライン(エポックベース)に微調整を復元する。 我々は、復元された微調整フレームワーク上に構築された、シンプルで効果的なローカライズド編集手法であるLocFT-BFを導出する。
  論文  参考訳（メタデータ） (2025-09-26T08:53:13Z)
• BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。 テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。 我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
  論文  参考訳（メタデータ） (2025-07-11T14:02:54Z)
• Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion [67.94300151774085]
  本稿では,自己回帰ビデオ拡散モデルのための新しい訓練パラダイムであるSelf Forcingを紹介する。 露光バイアスの長年の問題に対処し、地道的な文脈で訓練されたモデルは、自身の不完全な出力で条件付けられたシーケンスを生成する必要がある。
  論文  参考訳（メタデータ） (2025-06-09T17:59:55Z)
• Text Diffusion with Reinforced Conditioning [92.17397504834825]
  本稿では,テキスト拡散モデルを完全に解析し,トレーニング中の自己条件の劣化と,トレーニングとサンプリングのミスアライメントの2つの重要な限界を明らかにする。 そこで本研究では, TRECと呼ばれる新しいテキスト拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-19T09:24:02Z)
• Towards Consistent Video Editing with Text-to-Image Diffusion Models [10.340371518799444]
  既存の作品には、ビデオ編集のための高度なテキスト・ツー・イメージ(TTI)拡散モデルがある。 これらの手法は、テキストプロンプトと時間的シーケンスとの不満足な一貫性の結果を生み出す可能性がある。 我々は,textbfEnhancing vtextbfIdeo textbfEditing constextbfIstency of TTI-based frameworkを提案する。
  論文  参考訳（メタデータ） (2023-05-27T10:03:36Z)
• Transform-Equivariant Consistency Learning for Temporal Sentence Grounding [66.10949751429781]
  ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。 私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。 特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
  論文  参考訳（メタデータ） (2023-05-06T19:29:28Z)
• Embracing Consistency: A One-Stage Approach for Spatio-Temporal Video Grounding [35.73830796500975]
  本稿では、時空間整合性認識変換器(STCAT)と呼ばれるエンドツーエンドのワンステージフレームワークを提案する。 このテンプレートを十分な映像認識下で生成するために,効率的なグローバルコンテキストモデリングのためのエンコーダ・デコーダアーキテクチャを提案する。 提案手法は,2つの挑戦的ビデオベンチマークにおいて,従来の最先端技術よりも明らかなマージンで優れていた。
  論文  参考訳（メタデータ） (2022-09-27T11:13:04Z)

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。