論文の概要: Avatar-Forever: Decoupled Parallel Training for High-Quality Real-Time Infinite Avatars
- arxiv url: http://arxiv.org/abs/2608.12107v1
- Date: Wed, 12 Aug 2026 14:29:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.612948
- Title: Avatar-Forever: Decoupled Parallel Training for High-Quality Real-Time Infinite Avatars
- Title（参考訳）: Avatar-Forever: 高品質リアルタイム無限アバターのための分離並列トレーニング
- Abstract要約: Avatar-Foreverは、高品質のリアルタイム無限対話型アバターのための分離並列トレーニングフレームワークである。
アイデンティティの整合性、モーションコヒーレンス、視覚的忠実性を維持しながら、オーディオ駆動アバター生成をサポートする。
単一のH100 GPU上で27.2FPSの高解像度768x512ビデオのエンドツーエンドスループットを実現する。
- 参考スコア（独自算出の注目度）: 16.361849320150863
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Existing streaming video systems often rely on sequential, distillation-centered training pipelines to enable few-step long-video generation. However, this paradigm suffers from two limitations. First, failures or distribution shifts introduced in earlier stages affect later optimization, complicating the training process to converge. Second, the distillation-centric objective favours short-term generation but is prone to quality degradation when autoregressive errors accumulate over long rollouts. We propose Avatar-Forever, a decoupled parallel training framework for high-quality real-time infinite interactive avatars. Instead of coupling generation efficiency and long-horizon robustness under a sequential distillation pipeline, we treat them as two independent capabilities that can be trained in parallel. One branch performs full-parameter distillation to train an efficient generator with high visual quality, while another trains a lightweight long-horizon adapter via Recovery-oriented Rollout Training (RRT), which improves generation robustness under long-horizon inference conditions. Our decoupled parallel training design simplifies the overall training process and avoids unnecessary objective conflicts between few-step generation and long-horizon adaptation. We further introduce ForeverCache, a chunk-wise feature caching mechanism to substantially reduce redundant history computation during streaming inference. Built upon a 22B video foundation model, Avatar-Forever supports unbounded audio-driven avatar generation while maintaining identity consistency, motion coherence, and visual fidelity, enabling an end-to-end throughput of high-resolution 768x512 videos at 27.2 FPS on a single H100 GPU and providing a practical path toward stable digital humans.
- Abstract（参考訳）: 既存のストリーミングビデオシステムは、数ステップの長ビデオ生成を可能にするために、シーケンシャルな蒸留中心のトレーニングパイプラインに依存していることが多い。
しかし、このパラダイムには2つの制限がある。
第一に、初期の段階で導入された失敗や分散シフトは、後の最適化に影響を与え、トレーニングプロセスの収束を複雑にする。
第2に、蒸留中心の目的は短期的な生成を好むが、長時間のロールアウトで自己回帰誤差が蓄積されると品質が低下する傾向にある。
高品質なリアルタイム・無限対話型アバターのための並列学習フレームワークであるAvatar-Foreverを提案する。
逐次蒸留パイプラインで生成効率と長時間水平ロバスト性を結合する代わりに、並列に訓練できる2つの独立した能力として扱う。
あるブランチは、高画質の効率的な発電機を訓練するためにフルパラメータ蒸留を行い、別のブランチは、リカバリ指向のロールアウトトレーニング(RRT)を介して軽量のロングホライゾンアダプタを訓練し、ロングホライゾン推論条件下でのジェネレーションロバスト性を改善する。
我々の分離した並列トレーニング設計は、全体的なトレーニングプロセスを単純化し、数ステップ生成と長期適応の不要な客観的衝突を避ける。
さらに,ストリーミング推論時の冗長な履歴計算を大幅に削減する,チャンクワイズ機能キャッシング機構であるForeverCacheを紹介した。
22Bビデオファンデーションモデルに基づいて、Avatar-Foreverは、アイデンティティ一貫性、モーションコヒーレンス、視覚的忠実さを維持しながら、無制限のオーディオ駆動アバター生成をサポートし、単一のH100 GPU上で27.2FPSの高解像度768x512ビデオのエンドツーエンドスループットを実現し、安定したデジタル人間への実践的なパスを提供する。
関連論文リスト
- AptAvatar: Fast and Vivid Long-Form Audio-Driven Video Generation for Production-Ready Avatars [8.684276604886032]
AptAvatarは、高速かつ表現力のある推論を提供する、オーディオ駆動アバター生成フレームワークである。
実験では、AptAvatarは2 NFEで720pの鮮やかな長ビデオを生成し、60倍のスピードアップを達成した。
論文 参考訳（メタデータ） (2026-07-27T05:21:40Z) - PARE: Pruning and Adaptive Routing for Efficient Video Generation [71.54959622788608]
ビデオ拡散変換器(DiT)は高品質なビデオを生成するが、広いブロック、深いアーキテクチャ、反復的なサンプリングのためにかなりの計算を必要とする。
最近の手法では、幅、深さ、サンプリングのステップを圧縮することでコストを削減するが、通常は個々の入力に適応できない固定されたアーキテクチャにコミットする。
本稿では,構造対応プルーニングと入力適応ルーティングを併用して,幅と深さを共同で圧縮するPAREを提案する。
論文 参考訳（メタデータ） (2026-05-26T17:43:25Z) - 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) - Long-Horizon Streaming Video Generation via Hybrid Attention with Decoupled Distillation [16.611062315689306]
本稿では,時間的情報保持と計算効率を協調的に最適化するハイブリッド・フォースを提案する。
我々のモデルは、量子化やモデル圧縮なしで、単一のNVIDIA H100 GPU上で29.5 FPSでリアルタイムな832x480ビデオ生成を実現する。
論文 参考訳（メタデータ） (2026-04-11T08:54:07Z) - LIVE: Long-horizon Interactive Video World Modeling [39.52605866460851]
Long-Horizon Interactive Video world modElは、新しいサイクル一貫性の目的を通じて境界付きエラー蓄積を実行する。
Liveはロングホライゾンベンチマークで最先端のパフォーマンスを達成し、ロールアウト期間のトレーニングを超えて、安定した高品質のビデオを生成する。
論文 参考訳（メタデータ） (2026-02-03T17:10:03Z) - End-to-End Training for Autoregressive Video Diffusion via Self-Resampling [63.84672807009907]
自己回帰ビデオ拡散モデルは、世界シミュレーションの可能性を保っているが、列車テストミスマッチに起因する露出バイアスに弱い。
教師なしのフレームワークであるResampling Forcingを導入し、スクラッチから大規模まで自動回帰ビデオモデルのトレーニングを可能にする。
論文 参考訳（メタデータ） (2025-12-17T18:53:29Z) - Live Avatar: Streaming Real-time Audio-Driven Avatar Generation with Infinite Length [57.458450695137664]
提案するLive Avatarは,効率的,高忠実,無限長アバター生成のためのアルゴリズム設計のフレームワークである。
ライブアバターは、このスケールで実用的でリアルタイムで高忠実なアバター生成を実現するのが最初である。
論文 参考訳（メタデータ） (2025-12-04T11:11:24Z) - 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) - Pyramidal Flow Matching for Efficient Video Generative Modeling [67.03504440964564]
この研究は、統合ピラミッドフローマッチングアルゴリズムを導入している。
元々の装飾軌道をピラミッドの一連の段階として犠牲にしており、最終段階のみが完全な解像度で機能している。
フレームワーク全体はエンドツーエンドで最適化でき、単一の統合Diffusion Transformer (DiT) を使用する。
論文 参考訳（メタデータ） (2024-10-08T12:10:37Z)
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。