論文の概要: TPD: Temporal Prior Decoupling for Text-to-Video Diffusion Models
- arxiv url: http://arxiv.org/abs/2607.26706v1
- Date: Wed, 29 Jul 2026 09:52:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.616087
- Title: TPD: Temporal Prior Decoupling for Text-to-Video Diffusion Models
- Title（参考訳）: TPD:テキスト・ビデオ拡散モデルのための時間的事前デカップリング
- Abstract要約: 本稿では,拡散サンプリング中の遅延信号の復元を行うトレーニングフリーフレームワークであるTPDについて紹介する。
TPDは、時間的コヒーレンスと視覚的忠実性を保ちながら、遅延概念の実現を著しく改善し、標的とする抑制は、テキストからビデオまでのバックボーン間で再帰する。
- 参考スコア（独自算出の注目度）: 12.791968394241438
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-to-video diffusion models generate temporally coherent content from natural language, yet when a prompt describes an early scene that persists while a new event emerges on top of it---such as "a tall sandcastle standing on a beach where a wave rushes in and washes it away"---generation frequently fails to realize the late-segment event in the corresponding frames. We identify this failure as Temporal Prior Suppression (TPS): the dominant prior of the early segment captures the cross-attention trajectory across the temporal axis and suppresses the guidance signal needed for late-segment realization, a competing tendency existing guidance mechanisms do not model. We introduce Temporal Prior Decoupling (TPD), a training-free framework that restores suppressed late-segment signals during diffusion sampling. TPD constructs a temporal counterfactual by conditioning on the early segment alone, and defines the discrepancy between the full-prompt and counterfactual trajectories as a suppressed signal direction. Rather than removing this direction as in prior subtractive projection methods, TPD restores it through a frame-selective lower-bound constraint resolved jointly over diffusion timestep and video frame, realizing the suppressed event in the late frames without disrupting early-segment coherence: where prior work enforces upper-bound feasibility to remove unwanted semantics, TPD enforces lower-bound feasibility to guarantee suppressed-signal contribution. TPD runs entirely within standard diffusion sampling without retraining, and is defined purely in classifier-free guidance space, making it backbone-agnostic by construction. Experiments show that TPD significantly improves late-concept realization while preserving temporal coherence and visual fidelity, and that the targeted suppression recurs across distinct text-to-video backbones.
- Abstract（参考訳）: テキスト間拡散モデルは、自然言語から時間的コヒーレントな内容を生成するが、プロンプトは、その上に新しいイベントが出現している間に持続する初期のシーンを記述する。
我々は、この障害を時間的先行抑制(TPS)とみなし、初期セグメントの優位な先行は、時間軸を横断する横断軌道を捕捉し、遅延領域の実現に必要な誘導信号を抑圧し、競合する傾向にある既存の誘導メカニズムはモデル化しない。
本稿では,拡散サンプリング中の遅延信号の復元を行うトレーニングフリーフレームワークであるTPDについて紹介する。
TPDは、初期セグメントのみに条件付けすることで時間的反事実を構築し、フルプロンプトと反事実軌道との差を抑制信号方向として定義する。
従来の減算射影法のようにこの方向を除去するのではなく、PDは拡散時間ステップとビデオフレームとで共同で解決されたフレーム選択下界制約により復元し、初期セグメンテーションの一貫性を損なうことなく、後期フレームにおける抑制イベントを実現する。
TPDは、リトレーニングなしで標準拡散サンプリング内で完全に動作し、純粋に分類器のないガイダンス空間で定義され、構築によってバックボーンに依存しない。
実験により、PDは時間的コヒーレンスと視覚的忠実性を保ちながら、遅延概念の実現を著しく改善し、目的とする抑制は、異なるテキスト・ビデオ・バックボーン間で再帰することが示された。
関連論文リスト
- Making Every Step Count: Spatio-Temporal Information Allocation for Imaging Inverse Problems [63.904793414062816]
スペクトルベーススケジューリング(SAS)と計測分割アテンション(MPA)の2つの補完的およびトレーニング不要なコンポーネントを紹介する。
SASは、利用可能なNFEを、スペクトルおよびlogSNR幾何に従ってフロータイムに分散し、セマンティック探索と詳細精細化のバランスを良くする。
MPAは情報を弱い制約のある領域へ誘導し、意味的および構造的忠実性を高める。
論文 参考訳（メタデータ） (2026-08-12T07:39:22Z) - TVTA: Trajectory-Aware Viseme-Guided Temporal Aggregation for Event-Based Lip Reading [17.895146965920592]
イベントベースの唇読解が視覚音声認識の有望な方向として登場した。
イベントベースの唇読解のための時間拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-09T08:33:21Z) - UniTeD: Unified Temporal Diffusion for Joint Perception and Planning in Autonomous Driving [42.74667961659221]
UniTeDは、知覚と計画を共同でモデル化する統合時間拡散フレームワークである。
時間遷移モジュール(TTM)は、歴史的フレームと現在のフレーム間のノイズレベルのミスマッチを解決するために導入された。
さらに,スパース拡散に基づくエンド・ツー・エンド駆動フレームワークで一般的に見られるトレーニング・推論の分散シフトを軽減するために,アンカー・リフレッシュ・ストラテジー(ARS)を提案する。
論文 参考訳（メタデータ） (2026-06-24T12:03:54Z) - RhymeFlow: Training-Free Acceleration for Video Generation with Asynchronous Denoising Flow Scheduling [51.279397568734424]
Diffusion Transformers (DiTs) に基づく映像生成モデルは,映像合成において顕著な性能を発揮している。
DiTは3次元の注意の二次的な複雑さのために、高い推論遅延と計算コストに悩まされる。
我々はbftextRhymeFlowを紹介した。bftextRhymeFlowはトレーニング不要のフレームワークで、異なるフレームの認知軌道を分離する。
論文 参考訳（メタデータ） (2026-06-04T15:49:37Z) - Bayesian Tensor Decomposition with Diffusion Model Prior [30.908620489273886]
本稿では,ハイブリッド・プライオリティのCP分解フレームワークであるDiffBCPを紹介する。
確率, 低ランク制約, 拡散前の結合性に拘わらず, 後部推論を抽出可能とする。
高解像度のアウト・オブ・ディストリビューション画像を含む画像の塗布とデノイングの実験は、一貫した利得を示している。
論文 参考訳（メタデータ） (2026-06-02T06:13:42Z) - ST-Prune: Training-Free Spatio-Temporal Token Pruning for Vision-Language Models in Autonomous Driving [31.688411695647357]
我々は、Motionaware RSP (MTP) と Ring-view Spatial Pruning (RSPRSP) の2つの相補的なモジュールからなるトレーニングフリーのプラグアンドプレイフレームワークST-Pruneを提案する。
これら2つのモジュールは完全な時間的プルーニングプロセスを構成し、トレーニング不要なトークンプルーニングのための重要な幾何学的技法を保存する。
ST-Pruneは、既存のプルーニングアプローチに匹敵する速度を維持しながら、フルモデルベースラインを超える特定のメトリクスで、ほぼロスレスのパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-04-21T06:51:08Z) - Time-Annealed Perturbation Sampling: Diverse Generation for Diffusion Language Models [11.196851704643406]
拡散言語モデル (Diffusion-LMs) はテキスト生成に明示的な時間次元を導入する。
画像生成における拡散モデルと同様に拡散-LMは時間的分業を示す。
拡散過程の早期にセマンティック分岐を促すトレーニングフリー推論戦略である,TAPS(Time-Annealed Perturbation Smpling)を提案する。
TAPSはLLaDAとTraDoで実証された非自己回帰的・半自己回帰的拡散のバックボーンと互換性があり、生成品質を損なうことなく創造的記述や推論ベンチマークの出力の多様性を一貫して改善する。
論文 参考訳（メタデータ） (2026-01-30T06:39:33Z) - Continuously Augmented Discrete Diffusion model for Categorical Generative Modeling [87.34677262370924]
標準離散拡散モデルは、吸収[MASK]トークンにそれらをマッピングすることで、すべての観測されていない状態を同一に扱う。
これは'インフォメーション・ヴォイド'を生成します。そこでは、偽のトークンから推測できるセマンティック情報は、デノイングステップの間に失われます。
連続的拡張離散拡散(Continuously Augmented Discrete Diffusion)は、連続的な潜在空間における対拡散で離散状態空間を拡大するフレームワークである。
論文 参考訳（メタデータ） (2025-10-01T18:00:56Z) - Authentic Discrete Diffusion Model [72.31371542619121]
認証離散拡散(ADD)フレームワークは、従来の擬似離散的アプローチを再定義する。
ADDはフロートエンコードされたワンホットクラスデータを直接使用して拡散入力を再構成する。
実験により、ADDはベースラインと比較して分類タスク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） (2025-10-01T15:51:10Z) - DiTVR: Zero-Shot Diffusion Transformer for Video Restoration [48.97196894658511]
DiTVRはゼロショットビデオ復元フレームワークで、拡散トランスフォーマーと軌跡を意識した注意と流れ一貫したサンプルを結合する。
我々の注意機構は、光流路に沿ってトークンを整列させ、特に時間力学に最も敏感な重要な層に重点を置いている。
フローガイドされたサンプリング装置は、低周波帯域にのみデータの一貫性を注入し、キャッシュを加速させながら高周波事前保存を行う。
論文 参考訳（メタデータ） (2025-08-11T09:54:45Z) - Multimodal LLM-Guided Semantic Correction in Text-to-Image Diffusion [52.315729095824906]
MLLM Semantic-Corrected Ping-Pong-Ahead Diffusion (PPAD) は,マルチモーダル大言語モデル(MLLM)を推論中の意味的オブザーバとして導入する新しいフレームワークである。
中間世代をリアルタイムに分析し、潜在意味的不整合を識別し、フィードバックを制御可能な信号に変換し、残りの認知ステップを積極的に導く。
大規模な実験ではPPADの大幅な改善が示されている。
論文 参考訳（メタデータ） (2025-05-26T14:42:35Z) - Intrinsic Temporal Regularization for High-resolution Human Video
Synthesis [59.54483950973432]
時間整合性は、画像処理パイプラインをビデオドメインに拡張する上で重要である。
フレームジェネレーターを介して本質的信頼度マップを推定し,運動推定を調節する,本質的な時間正規化方式を提案する。
我々は、本質的な時間的規制をシングルイメージジェネレータに適用し、強力な「Internet」が512Times512$の人間のアクションビデオを生成します。
論文 参考訳（メタデータ） (2020-12-11T05:29:45Z)
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。