論文の概要: Stream Forcing: Constructing Unified Training Trajectory for Robust Streaming Video Generation

• arxiv url: http://arxiv.org/abs/2608.10439v1
• Date: Tue, 11 Aug 2026 03:39:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.892747
• Title: Stream Forcing: Constructing Unified Training Trajectory for Robust Streaming Video Generation
• Title（参考訳）: ストリーム強制:ロバストなストリーミングビデオ生成のための統一トレーニング軌道の構築
• Abstract要約: 本稿では,学習効率と推論効率のバランスをとる,ストリーミングビデオ生成のための統一的なトレーニングフレームワークを提案する。 実験によると、Stream ForcingはUCF-101ベンチマークで36.6%のFVD改善で生成品質を著しく改善している。
• 参考スコア（独自算出の注目度）: 40.85834841331202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Streaming video generation holds strong potential for world modeling, where future frames must be inferred online sequentially to form a continuous video stream. However, streaming video diffusion models introduce a fundamental train-inference mismatch: inference follows a specialized denoising order, whereas advanced training strategies typically require diverse noise-level configurations. To address this trade-off between train-inference consistency and training coverage, we reformulate the video diffusion sampling as a frame-indexed stochastic process over noise levels. Within this stochastic process space, we construct a continuous training trajectory along which the sampling schedule progressively evolves from independent sampling to inference-consistent sampling. We further introduce a joint calibration algorithm and a temporal correlative sampling algorithm to ensure trajectory smoothness and cross-frame correlation. Building on these designs, we propose Stream Forcing, a unified training framework for streaming video generation that balances training sufficiency and inference efficiency. Extensive experiments demonstrate that Stream Forcing significantly improves generation quality with a 36.6% FVD improvement on the UCF-101 benchmark. Furthermore, our method facilitates robust zero-shot extrapolation to long-horizon video generation with a 27.9% FVD improvement on the UCF-101 benchmark.
• Abstract（参考訳）: ストリーミングビデオ生成は、将来的なフレームをオンラインで逐次推論して連続的なビデオストリームを形成する、世界モデリングの強力な可能性を持っている。 しかし、ストリーミングビデオ拡散モデルでは、推論が特別なノイズレベル設定を必要とするのに対して、推論は特別なノイズレベル順序に従うという、基本的な列車推論ミスマッチが導入された。 列車の干渉一貫性とトレーニングカバレッジのトレードオフに対処するため,映像拡散サンプリングをフレームインデクシングによる雑音レベルに対する確率過程として再構成する。 この確率的プロセス空間内では、サンプリングスケジュールが独立したサンプリングから推論一貫性のあるサンプリングへと徐々に進化する連続的なトレーニング軌道を構築する。 さらに,共同キャリブレーションアルゴリズムと時間相関サンプリングアルゴリズムを導入し,軌道の滑らかさとフレーム間の相関性を確保する。 これらの設計に基づいて、トレーニング効率と推論効率のバランスをとるストリーミングビデオ生成のための統一的なトレーニングフレームワーク、Stream Forcingを提案する。 大規模な実験では、UCF-101ベンチマークで36.6%のFVDの改善により、Stream Forcingが生成品質を著しく向上することを示した。 さらに,UCF-101ベンチマークにおいて,27.9%のFVD改善を施した長時間水平ビデオ生成に対して,ロバストなゼロショット外挿を容易にする。

関連論文リスト

• DSA: Dynamic Step Allocation for Fast Autoregressive Video Generation [24.843472730316503]
  ビデオ拡散トランスフォーマーは最先端の視覚的品質を達成したが、その高い推論コストは、リアルタイムアプリケーションにとって大きなボトルネックであり続けている。 本稿では、ARビデオ拡散のための信頼性誘導適応フレームワークであるDSAを提案する。
  論文  参考訳（メタデータ） (2026-06-03T04:25:11Z)
• RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO [53.38929612273108]
  因果自己回帰ビデオ拡散モデルは、以前生成されたコンテンツから将来のチャンクを外挿することでリアルタイムストリーミング生成をサポートする。 本稿では,リアルタイム自動回帰ビデオ補間ネットワーク(RAVEN)を紹介した。これは,各自己ロールアウトを,クリーンな歴史的エンドポイントのインターリーブシーケンスに再パッケージするトレーニングタイムテストフレームワークである。
  論文  参考訳（メタデータ） (2026-05-14T17:59:30Z)
• Diffusion-APO: Trajectory-Aware Direct Preference Alignment for Video Diffusion Transformers [12.948398661304184]
  Diffusion-APOは、ビデオ拡散モデルと人間の意図を一致させる軌跡認識アルゴリズムである。 オンラインランキング、半オンラインアンカー、オフラインリファインメント、蒸留対応ドリフト補正を統合した統一かつモジュール化されたRLHFフレームワークを導入する。 本研究では,Diffusion-APOが視覚的品質と指示の基準線を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-05-08T09:37:46Z)
• Flowception: Temporally Expansive Flow Matching for Video Generation [35.14803469800522]
  Flowceptionは自動回帰および可変長ビデオ生成フレームワークである。 離散的なフレーム挿入を連続的なフレームデノイングでインターリーブする確率パスを学習する。 Flowceptionは、フレームをシーケンスに挿入し、復調することを学ぶことで、画像からビデオへの生成やビデオなど、さまざまなタスクをシームレスに統合する。
  論文  参考訳（メタデータ） (2025-12-12T10:23:47Z)
• SwiftVideo: A Unified Framework for Few-Step Video Generation through Trajectory-Distribution Alignment [76.60024640625478]
  拡散ベースまたはフローベースモデルは、ビデオ合成において大きな進歩を遂げているが、複数の反復サンプリングステップが必要である。 本稿では, トラジェクトリ保存と分散マッチングの利点を組み合わせた, 統一かつ安定な蒸留フレームワークを提案する。 提案手法は高品質なビデオ生成を維持しつつ,推論ステップの数を著しく削減する。
  論文  参考訳（メタデータ） (2025-08-08T07:26:34Z)
• 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)
• Optical-Flow Guided Prompt Optimization for Coherent Video Generation [51.430833518070145]
  我々は,光フローによる映像生成プロセスをガイドするMotionPromptというフレームワークを提案する。 ランダムフレーム対に適用した訓練された識別器の勾配を用いて,逆サンプリングステップにおける学習可能なトークン埋め込みを最適化する。 提案手法により,生成したコンテンツの忠実さを損なうことなく,自然な動きのダイナミクスを忠実に反映した視覚的コヒーレントな映像シーケンスを生成することができる。
  論文  参考訳（メタデータ） (2024-11-23T12:26:52Z)
• Representation Alignment for Generation: Training Diffusion Transformers Is Easier Than You Think [72.48325960659822]
  生成のための大規模拡散モデルの訓練における主要なボトルネックは、これらの表現を効果的に学習することにある。 本稿では,RePresentation Alignment (REPA) と呼ばれる単純な正規化を導入し,ノイズの多い入力隠れ状態の投影を,外部の事前学習された視覚エンコーダから得られるクリーンな画像表現と整合させる手法を提案する。 我々の単純な戦略は、一般的な拡散やDiTsやSiTsといったフローベースのトランスフォーマーに適用した場合、トレーニング効率と生成品質の両方に大きな改善をもたらす。
  論文  参考訳（メタデータ） (2024-10-09T14:34:53Z)

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。