論文の概要: In-Context Forcing: Uncovering Context Effects in Autoregressive Video Diffusion

• arxiv url: http://arxiv.org/abs/2608.05237v1
• Date: Wed, 05 Aug 2026 13:54:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.752007
• Title: In-Context Forcing: Uncovering Context Effects in Autoregressive Video Diffusion
• Title（参考訳）: 文脈強制:自己回帰的ビデオ拡散における文脈効果を明らかにする
• Abstract要約: In-Context Forcingは、雑音レベルを下げるコンテキストを利用するプログレッシブ・オートレグレッシブ・パラダイムである。 遠方のフレームにマスキングを減らし、隣接するフレームにマスキングを減らすことにより、このアプローチは適応的なガイダンスを提供する。 提案手法は, 視覚的忠実度と推論速度の両方において, 最先端のアプローチを著しく上回っている。
• 参考スコア（独自算出の注目度）: 52.18702395026718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current few-step autoregressive video diffusion models depend on previous fully denoised clean frames as context for all denoising steps of the current frame. However, these clean frames leak excessive local details, which causes the model to take shortcuts, resulting in compromised temporal semantics and dynamics. Inspired by the perspective of diffusion as masking, we explore the impact of noisy contexts on few-step autoregressive generation. Yet, simply applying contexts with the same noise levels provides insufficient guidance, leading to poor temporal consistency. To resolve this dilemma, we introduce In-Context Forcing, a progressive autoregressive paradigm that utilizes contexts with decreasing noise levels. By applying less masking to distant frames and more masking to adjacent ones, this approach provides adaptive guidance, effectively ensuring both robust temporal consistency and high inter-frame dynamics. Furthermore, by decoupling the strict dependence on previous clean frames, our paradigm enables cross-frame parallel denoising, achieving substantial inference acceleration without sacrificing performance. Extensive experiments on VBench demonstrate that our method significantly outperforms state-of-the-art approaches in both visual fidelity and inference speed.
• Abstract（参考訳）: 現在の数ステップの自己回帰ビデオ拡散モデルは、現在のフレームの全てのデノイングステップのコンテキストとして、以前の完全に識別されたクリーンフレームに依存している。 しかし、これらのクリーンフレームは過度な局所的詳細をリークし、モデルがショートカットを行う原因となり、時間的意味論とダイナミクスが損なわれる。 マスキングとしての拡散の観点に触発されて,数段階の自己回帰生成における雑音文脈の影響を探索する。 しかし、同じ騒音レベルでコンテキストを適用するだけでは十分なガイダンスが得られず、時間的一貫性が低下する。 このジレンマを解決するために、ノイズレベルを下げた文脈を利用するプログレッシブな自己回帰パラダイムであるIn-Context Forcingを導入する。 遠方のフレームにマスキングを減らし、隣接するフレームにマスキングを減らし、適応的なガイダンスを提供し、堅牢な時間的一貫性と高いフレーム間ダイナミクスの両方を効果的に保証する。 さらに,従来のクリーンフレームへの厳密な依存を疎結合化することにより,クロスフレーム並列化を実現し,性能を犠牲にすることなく相当な推論高速化を実現する。 VBenchの広汎な実験により、我々の手法は視覚的忠実度と推論速度の両方において最先端のアプローチを著しく上回ることを示した。

関連論文リスト

• Bridging Event Streams and DiT: Event-Guided Video Frame Interpolation [75.95737622994548]
  イベントカメラは、時間的ギャップを埋めるのに適した高解像度モーションキューを提供する。 本稿では,イベント由来のキューを事前学習した画像間拡散モデルに組み込むアダプタベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T04:47:44Z)
• 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)
• 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)
• Adaptive Begin-of-Video Tokens for Autoregressive Video Diffusion Models [11.913945404405865]
  ほとんどのビデオ拡散モデル(VDM)は自己回帰的な方法でビデオを生成し、それに続く繰り返しフレームを生成する。 本稿では,自動回帰VDMのためのAdaptive Begin-of-Video Tokens(ada-BOV)を提案する。
  論文  参考訳（メタデータ） (2025-11-15T08:29:14Z)
• ConsistTalk: Intensity Controllable Temporally Consistent Talking Head Generation with Diffusion Noise Search [8.993664585683055]
  拡散雑音探索を用いた新しい強度制御型音声ヘッド生成フレームワークである textbfTalk を紹介する。 まず,動作特徴を静的な外観から切り離すスタブファン光フロー誘導時間モジュール(OFT)を提案する。 第2に,マルチモーダル・教師・学生の知識蒸留により得られたtextbfAudio-to-Intensity (A2I) モデルを提案する。
  論文  参考訳（メタデータ） (2025-11-10T08:28:13Z)
• 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)
• Live2Diff: Live Stream Translation via Uni-directional Attention in Video Diffusion Models [64.2445487645478]
  大規模言語モデルは、テキストやオーディオなどのストリーミングデータの生成において顕著な効果を示している。 本稿では,一方向の時間的注意を向けたビデオ拡散モデルを設計するための最初の試みであるLive2Diffを紹介する。
  論文  参考訳（メタデータ） (2024-07-11T17:34:51Z)
• TimeLens: Event-based Video Frame Interpolation [54.28139783383213]
  本稿では,合成法とフロー法の両方の利点を生かした,等価寄与法であるTime Lensを紹介する。 最先端のフレームベースおよびイベントベース手法よりもPSNRが最大5.21dB向上したことを示す。
  論文  参考訳（メタデータ） (2021-06-14T10:33:47Z)

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。