論文の概要: DUET: A Diversity-Quality Duet of Distillation Experts for Two-Step Video Generation
- arxiv url: http://arxiv.org/abs/2608.09637v1
- Date: Mon, 10 Aug 2026 14:17:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.301768
- Title: DUET: A Diversity-Quality Duet of Distillation Experts for Two-Step Video Generation
- Title（参考訳）: DUET:2ステップビデオ生成のための蒸留エキスパートの多様性と品質
- Abstract要約: 本稿では,2段階のビデオ生成における多様性と品質を両立させるための,シンプルかつ効果的なパラダイムとして,ノイズレベルのエキスパートスペシャライゼーションを導入する。
Wan2.1-T2V-1.3Bのバックボーンにより、DUETは2段階のSCMの質をMDDに近いレベルまで上げ、その構造的多様性のほとんどを維持している。
さらに、リレーインタフェースとハイノイズステージを残りのボトルネックとして認識し、RL誘導の専門家適応を用いて対処する。
- 参考スコア（独自算出の注目度）: 49.469954278192965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models have enabled high-quality video generation in recent years, but the high cost of iterative sampling hinders their practical deployment. Few-step distillation alleviates this cost, yet exposes a quality--diversity trade-off between its two dominant paradigms: trajectory-level distillation (e.g., sCM) favors diversity, whereas distribution-level distillation (e.g., DMD) favors quality. Targeting extreme two-step video generation, we introduce DUET, which reconciles the two paradigms through a noise-level duet of experts: an sCM expert takes the high-noise step to lay out diverse structure, and a DMD expert takes the low-noise step to refine appearance detail. Since the two experts are trained independently with their native objectives, DUET sidesteps the optimization difficulties of loss-level combinations and delivers quality and diversity jointly rather than trading one for the other. We further identify the relay interface and the high-noise stage as the remaining bottlenecks, and address them with RL-guided expert adaptation, yielding DUET+. With the Wan2.1-T2V-1.3B backbone, DUET lifts the two-step quality of sCM close to the level of DMD while retaining nearly all of its structural diversity---about twice that of DMD---and DUET+ further improves overall quality while preserving this diversity advantage. Together, these results establish noise-level expert specialization as a simple, effective paradigm for reconciling diversity and quality in two-step video generation.
- Abstract（参考訳）: 近年,拡散モデルにより高品質なビデオ生成が可能になっているが,反復サンプリングのコストが高いため,実用化は困難である。
トラジェクトリレベルの蒸留(例: sCM)は多様性を優先するのに対し、分散レベルの蒸留(例: DMD)は品質を優先する。
極めて2段階のビデオ生成を目的としたDUETでは,2つのパラダイムを専門家のノイズレベルデュエットで再現する。SCMの専門家は,多様な構造をレイアウトするためにハイノイズステップを,DMD専門家は低ノイズステップで外観を精査する。
2人の専門家は、それぞれのネイティブな目的と独立して訓練されているため、DUETは損失レベルの組み合わせの最適化の難しさを脇に置き、一方を他方と交換するのではなく、品質と多様性を共同で提供する。
さらに、リレーインタフェースとハイノイズステージを残りのボトルネックとして識別し、RL誘導の専門家適応で対処し、DUET+を得る。
Wan2.1-T2V-1.3Bのバックボーンにより、DUETは2段階のSCMの品質をMDDに近いレベルに引き上げると同時に、ほぼすべての構造的多様性を維持している。
これらの結果は,2段階のビデオ生成における多様性と品質を両立させるための,単純かつ効果的なパラダイムとして,ノイズレベルの専門家専門化を確立した。
関連論文リスト
- Douyin Multimodal Embedding Model Technical Report [77.9018834072698]
マルチモーダル表現学習は、現代のAIの基盤となっている。
両強度を組み合わせた2段階のモデルであるDME(Douyin Multimodal Embedding)を提案する。
論文 参考訳（メタデータ） (2026-08-03T12:31:49Z) - Data-Forcing Distillation: Restoring Diversity and Fidelity in Few-Step Video Generation [25.352409052792122]
単行のコード変更だけでMDDの多様性と忠実性を回復する単純なポストトレーニングフレームワークであるData-Forcing Distillation (DFD)を提案する。
我々は,我々のフレームワークの詳細な理論的分析を行い,テキスト・ツー・ビデオ,画像・ツー・ビデオ,自動回帰ビデオ生成に対する我々のアプローチを検証する。
論文 参考訳（メタデータ） (2026-06-16T20:38:30Z) - DUO-VSR: Dual-Stream Distillation for One-Step Video Super-Resolution [42.8144221191427]
拡散型ビデオ超解像(VSR)は近年、目覚ましい忠実さを達成しているが、それでも違法なサンプリングコストに悩まされている。
本稿では,一段階のVSRに対して,分散マッチングと敵対的監視を統合する3段階のフレームワークであるDUO-VSRを提案する。
論文 参考訳（メタデータ） (2026-03-23T17:56:17Z) - Diversity-Preserved Distribution Matching Distillation for Fast Visual Synthesis [33.341277146439275]
分散整合蒸留(DMD)は、低推論コストで高品質な生成を可能にするために、多段階発生器をその数段階と整列させる。
本稿では, 蒸留工程の役割を明示的に解消する役割分離蒸留フレームワークを提案する。
本手法は, 単純さに拘わらず, サンプルの多様性を保ちながら, テキスト・画像実験における最先端の手法と同等の視覚的品質を維持しながら, 標本の多様性を保っている。
論文 参考訳（メタデータ） (2026-02-03T05:45:25Z) - Uni-DAD: Unified Distillation and Adaptation of Diffusion Models for Few-step Few-shot Image Generation [15.325030504689416]
拡散モデル(DM)は高品質な画像を生成するが、新しい領域への適応にはコストがかかる。
蒸留とDMの適応を統一する単一段パイプラインであるUni-DADを紹介する。
Uni-DADは4段階未満のサンプリングステップでも、最先端(SoTA)適応手法よりも高い品質を提供する。
論文 参考訳（メタデータ） (2025-11-23T04:22:42Z) - Large Scale Diffusion Distillation via Score-Regularized Continuous-Time Consistency [60.74505433956616]
連続時間一貫性モデル(sCM)は理論的に原理化され、学術規模の拡散を加速するために実証的に強力である。
まず並列性互換なFlashAttention-2 JVPカーネルを開発し、100億以上のパラメータと高次元ビデオタスクを持つモデル上でsCMトレーニングを可能にする。
本稿では, スコア蒸留を長軸正則化器として組み込んだスコア規則化連続時間一貫性モデル(rCM)を提案する。
論文 参考訳（メタデータ） (2025-10-09T16:45:30Z) - Dual-Expert Consistency Model for Efficient and High-Quality Video Generation [57.33788820909211]
本稿では,パラメータ効率の高いtextbfDual-Expert Consistency Model (DCM) を提案する。
提案手法は, ビデオ拡散モデル蒸留における専門的専門化の有効性を実証し, サンプリング工程を大幅に短縮して, 最先端の視覚品質を実現する。
論文 参考訳（メタデータ） (2025-06-03T17:55:04Z) - HAODiff: Human-Aware One-Step Diffusion via Dual-Prompt Guidance [71.5820853722963]
人中心画像は、伝達中に重篤な遺伝子劣化に悩まされ、ヒトの運動のぼかし(HMB)に起因することが多い
我々は,HMBと汎用雑音の共存をシミュレートした分解パイプラインを設計し,提案したHAODiffをトレーニングするための合成劣化データを生成する。
公平な評価のために,ノイズとHMBの併用に富んだベンチマークMPII-Testを導入する。
論文 参考訳（メタデータ） (2025-05-26T09:24:11Z) - NitroFusion: High-Fidelity Single-Step Diffusion through Dynamic Adversarial Training [57.20761595019967]
我々は,動的対向フレームワークを通じて高品質な生成を実現する単一ステップ拡散に対する基本的に異なるアプローチであるNitroFusionを紹介した。
本フレームワークは, (i) 動的識別器プールと, 生成品質向上のための特殊識別器グループ, (ii) 識別器過適合を防止する戦略的リフレッシュ機構, (iii) マルチスケール品質評価のためのグローバルな識別器ヘッドを組み合わせる。
論文 参考訳（メタデータ） (2024-12-02T23:20:35Z)
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。