論文の概要: Diff-VF: Training-free High-quality Long Video Generation via Diffusion Model

• arxiv url: http://arxiv.org/abs/2608.05976v1
• Date: Thu, 06 Aug 2026 12:53:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.753437
• Title: Diff-VF: Training-free High-quality Long Video Generation via Diffusion Model
• Title（参考訳）: Diff-VF:拡散モデルによる無訓練高画質ビデオ生成
• Abstract要約: Diff-VFは、短いビデオ拡散バックボーンをベースモデルを変更または微調整することなく、長ビデオジェネレータに変換するフレームワークである。 VBench-Long の評価結果から,Diff-VF は基本モデルよりも時間的コヒーレンスと動きの多様性のバランスが良好であることが示唆された。
• 参考スコア（独自算出の注目度）: 33.214927542512555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, diffusion models have made great progress in video generation. However, most existing video diffusion models are trained with short videos, and degrade when extrapolated to long videos, struggling to maintain long-range temporal coherence while retaining diverse motions. To generate consistent, high-quality and dynamic long videos, we propose Diff-VF, a training-free, plug-and-play and model-agnostic framework that converts existing short-video diffusion backbones into long-video generators without modifying or fine-tuning the base model. Diff-VF couples three complementary strategies: Hybrid Noise Initialization (HNI) to constrain global semantics, Weighted Window Sampling (WWS) to remove inter-window discontinuities, and Temporal Extended Sampling (TES) to establish long-range dependencies with a timestep-varying fusion. We further extend Diff-VF to long-video enhancement via Skip Residual Guidance that balances fidelity and realism through timestep-dependent guidance. VBench-Long evaluation results show that Diff-VF achieves a more favorable balance between temporal coherence and motion diversity than base models and recent training-free long video generation baselines, including FreeNoise, FreeLong, and RIFLEx, while maintaining competitive frame-wise quality. Experiments on two base models demonstrate the applicability to video diffusion models with different spatial-temporal modeling strategies. Extensive ablations validate the contribution of each component and hyperparameters.
• Abstract（参考訳）: 近年,拡散モデルはビデオ生成において大きな進歩を遂げている。 しかし、既存のビデオ拡散モデルは、短いビデオで訓練されており、長いビデオに外挿すると劣化し、多様な動きを維持しながら、長距離の時間的コヒーレンスを維持するのに苦労している。 Diff-VFは、既存の短ビデオ拡散バックボーンを、ベースモデルの変更や微調整なしに長ビデオジェネレータに変換する、トレーニング不要で、プラグアンドプレイで、モデルに依存しないフレームワークである。 Diff-VFは、グローバルセマンティクスを制約するHNI(Hybrid Noise Initialization)、ウィンドウ間の不連続性を除去するWWS(Weighted Window Smpling)、タイムステップの異なる融合で長距離依存関係を確立するTES(Temporal Extended Sampling)の3つの補完戦略を結合する。 我々はさらにDiff-VFを、タイムステップに依存したガイダンスを通じて、忠実さとリアリズムのバランスをとるSkip Residual Guidanceを介して、長時間のエンハンスメントに拡張する。 VBench-Long の評価結果から,Diff-VF は基本モデルよりも時間的コヒーレンスと動きの多様性のバランスが良好であることが示唆された。 2つのベースモデルに対する実験は、異なる時空間モデル戦略を持つビデオ拡散モデルに適用可能であることを示す。 広範囲にわたるアブレーションは、各コンポーネントとハイパーパラメータの寄与を検証する。

関連論文リスト

• FlowLong: Inference-time Long Video Generation via Manifold-constrained Tweedie Matching [68.01498128172214]
  本稿では,アーキテクチャに依存しない,追加のトレーニングを必要としない長大なビデオ生成のための,斬新でシンプルな推論時間アプローチを提案する。 提案手法では,隣接するウィンドウからのクリーンサンプルをemphTweedieマッチングでブレンドし,テキストbfmanifoldの制約と重複領域間の時間的一貫性を強制する。 本手法は, 時間的一貫性と視覚的品質において, トレーニング不要, 自己回帰ベースラインを両立させながら, ネイティブウィンドウ長よりも数倍長大のビデオを生成する。
  論文  参考訳（メタデータ） (2026-05-20T08:55:37Z)
• Tuning-Free Long Video Generation via Global-Local Collaborative Diffusion [22.988212617368095]
  本稿では,長時間ビデオ生成のためのチューニング不要なGLC-Diffusionを提案する。 Global-Local Collaborative Denoisingを確立することで、長いビデオDenoisingプロセスをモデル化する。 また,ビデオモーション・コンシスタンス・リファインメント(VMCR)モジュールを提案する。
  論文  参考訳（メタデータ） (2025-01-08T05:49:39Z)
• ARLON: Boosting Diffusion Transformers with Autoregressive Models for Long Video Generation [83.62931466231898]
  本稿では,長期ビデオ生成のための自己回帰モデルを用いた拡散変換器を高速化するフレームワークARLONを提案する。 潜在ベクトル量子変分オートコーダ(VQ-VAE)は、DiTモデルの入力潜時空間をコンパクトなビジュアルトークンに圧縮する。 適応ノルムベースのセマンティックインジェクションモジュールは、ARモデルから粗い離散視覚ユニットをDiTモデルに統合する。
  論文  参考訳（メタデータ） (2024-10-27T16:28:28Z)
• Redefining Temporal Modeling in Video Diffusion: The Vectorized Timestep Approach [29.753974393652356]
  フレーム対応ビデオ拡散モデル(FVDM)を提案する。 我々のアプローチでは、各フレームが独立したノイズスケジュールに従うことができ、モデルのキャパシティを高めて、きめ細かい時間依存性を捉えることができる。 実験により、FVDMは映像生成品質において最先端の手法よりも優れ、拡張タスクにも優れることが示された。
  論文  参考訳（メタデータ） (2024-10-04T05:47:39Z)
• FreeLong: Training-Free Long Video Generation with SpectralBlend Temporal Attention [57.651429116402554]
  本稿では、一貫した長ビデオ生成のための既存の短ビデオ拡散モデルを拡張するための、単純で訓練のないアプローチについて検討する。 短いビデオ拡散モデルを直接適用することで、ビデオの品質が著しく低下することを発見した。 そこで本研究では,長い映像の特徴の周波数分布のバランスをとるために,FreeLongという新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-29T11:52:07Z)
• Upscale-A-Video: Temporal-Consistent Diffusion Model for Real-World Video Super-Resolution [65.91317390645163]
  Upscale-A-Videoは、ビデオアップスケーリングのためのテキストガイド付き遅延拡散フレームワークである。 ローカルでは、一時的なレイヤをU-NetとVAE-Decoderに統合し、短いシーケンス内で一貫性を維持する。 また、テキストプロンプトによってテクスチャ生成と調整可能なノイズレベルをガイドし、復元と生成のバランスを取ることで、柔軟性も向上する。
  論文  参考訳（メタデータ） (2023-12-11T18:54:52Z)
• Latent Video Diffusion Models for High-Fidelity Long Video Generation [58.346702410885236]
  低次元ラテント空間を用いた軽量映像拡散モデルを提案する。 また,1000フレーム以上の長編動画を生成できるように,遅延空間における階層的拡散も提案する。 我々のフレームワークは、以前の強力なベースラインよりもリアルで長いビデオを生成する。
  論文  参考訳（メタデータ） (2022-11-23T18:58:39Z)

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。