論文の概要: GeoFlow: Efficient Driving Video Generation via Geometry-Aligned Priors
- arxiv url: http://arxiv.org/abs/2608.12203v1
- Date: Wed, 12 Aug 2026 15:57:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.632337
- Title: GeoFlow: Efficient Driving Video Generation via Geometry-Aligned Priors
- Title（参考訳）: GeoFlow:Geometry-Aligned Priorsによる効率的な運転ビデオ生成
- Abstract要約: Diffusion ModelsやFlow Matchingのような生成モデルは、高忠実度駆動ビデオの合成において顕著な能力を示している。
この非効率性は、連続するフレームが独立なガウスノイズである標準ガウス音源分布への依存から生じる。
明示的な幾何学的事前情報を活用することにより,効率的な運転映像生成を実現するための新しいフレームワークであるGeoFlowを提案する。
- 参考スコア（独自算出の注目度）: 27.10799700736534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative models like Diffusion Models and Flow Matching have demonstrated remarkable capabilities in synthesizing high-fidelity driving videos, but are severely constrained by high inference latency due to the requirement of extensive sampling steps. We argue that this inefficiency stems from the prevailing reliance on a standard Gaussian source distribution, where consecutive frames are initialized as independent Gaussian noise. This paradigm disregards the rich spatiotemporal correlations inherent in driving videos, compelling the model to regenerate deterministic scene structures existing in previous frames from noise, which is both computationally redundant and prone to geometric inconsistency. To address this problem, we propose GeoFlow, a novel framework designed to achieve efficient driving video generation by harnessing explicit geometric priors. Instead of sampling from standard Gaussian noise, we leverage multi-view geometry and spatially-adaptive noise injection to construct a Geometry-Aligned Prior (GAP) distribution as starting point. This initialization bridges the gap between source distribution and data distribution, yielding a significantly straighter and shorter sampling trajectory. Extensive experiments demonstrate that GeoFlow can achieve remarkable efficiency of both training and inference: merely several hours of fine-tuning on baseline models can significantly boost few-step generation quality, while fully converged training drastically reduces number of inference steps required for state-of-the-art video generation.
- Abstract（参考訳）: 拡散モデルやフローマッチングのような生成モデルは、高忠実度駆動ビデオの合成において顕著な能力を示してきたが、広範囲なサンプリングステップを必要とするため、高い推論遅延によって厳しく制約されている。
この非効率性は、連続するフレームが独立なガウスノイズとして初期化される標準ガウス音源分布に依存していることから生じる。
このパラダイムは、駆動ビデオに固有の豊富な時空間相関を無視し、従来のフレームに存在する決定論的シーン構造をノイズから再生させる。
この問題に対処するために,明示的な幾何学的事前情報を活用することにより,効率的な運転映像生成を実現するための新しいフレームワークであるGeoFlowを提案する。
標準ガウスノイズからサンプリングする代わりに,マルチビュー幾何と空間適応ノイズインジェクションを活用し,Geometry-Aligned Prior (GAP) 分布を出発点として構築する。
この初期化は、ソース分布とデータ分布のギャップを埋め、よりストレートで短いサンプリング軌道をもたらす。
ベースラインモデルの微調整をわずか数時間で行うだけで、数ステップ生成の品質が大幅に向上する一方、完全に収束したトレーニングは、最先端のビデオ生成に必要な推論ステップの数を劇的に削減する。
関連論文リスト
- One-Step Flow Matching for Generative Modeling of Path-Dependent Physical Fields [0.6445605125467574]
高分解能パス依存応力場生成のためのトランスバータバックボーンに基づくフローマッチング(FM)モデル
提案モデルは,変分オートエンコーダ(VAE)の潜時空間内で動作し,ビデオ合成タスクとしてプラスチックフィールドのシミュレーションを定式化する。
論文 参考訳（メタデータ） (2026-06-22T01:45:59Z) - Complexity-Balanced Diffusion Splitting [20.558008394592097]
Complexity-Balanced Splitting (CBS)は、時間的キャパシティ割り当てのための原則的なフレームワークである。
CBSは拡散時間軸を等近似重みのセグメントに分割する。
CBSは、ステップごとの推論コストを増大させることなく、継続的に品質を向上する。
論文 参考訳（メタデータ） (2026-06-04T17:57:15Z) - Optimal Transport Flow Matching by Design [26.301026025241374]
フローマッチングモデルは、単純な事前分布から複雑なデータ分布へサンプルを輸送することを学ぶ。
我々は、事前を固定入力ではなく設計選択として扱うことで問題を再構築する。
本手法は,既存の流れマッチング法と比較して,軌道曲率を2倍以上削減する。
論文 参考訳（メタデータ） (2026-06-02T18:00:05Z) - 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) - 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) - STARFlow-V: End-to-End Video Generative Modeling with Normalizing Flows [35.05757953878183]
STARFlow-Vは、エンドツーエンドの学習、堅牢な因果予測、ネイティブな推定などの大きな利点を持つ、フローベースのビデオジェネレータの正規化である。
結果は,NFが高品質な自己回帰ビデオ生成が可能なことを示す最初の証拠となる。
論文 参考訳（メタデータ） (2025-11-25T16:27:58Z) - Uniform Discrete Diffusion with Metric Path for Video Generation [103.86033350602908]
連続空間ビデオ生成は急速に進歩し、離散的なアプローチはエラーの蓄積と長時間の矛盾により遅れている。
我々は、拡張性のあるビデオ生成のための連続的なアプローチでギャップを埋める強力なフレームワークであるUniform Generative ModelingとUniform pAth(URSA)を提案する。
URSAは既存の離散的手法を一貫して上回り、最先端の連続拡散法に匹敵する性能を達成する。
論文 参考訳（メタデータ） (2025-10-28T17:59:57Z) - Noise Hypernetworks: Amortizing Test-Time Compute in Diffusion Models [57.49136894315871]
テストタイムスケーリングの新しいパラダイムは、推論モデルと生成視覚モデルにおいて驚くべきブレークスルーをもたらした。
本稿では,テスト時間スケーリングの知識をモデルに組み込むことの課題に対する1つの解決策を提案する。
拡散モデルにおいて、初期入力ノイズを変調するノイズハイパーネットワークにより、報酬誘導試験時間雑音の最適化を行う。
論文 参考訳（メタデータ） (2025-08-13T17:33:37Z) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル
GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。
本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
論文 参考訳（メタデータ） (2023-04-22T15:32:59Z) - Minimizing Trajectory Curvature of ODE-based Generative Models [45.89620603363946]
拡散モデル、整流モデル、流れマッチングなどの最近の生成モデルは、生成過程を固定前進過程の時間反転として定義する。
我々は, ODE/SDEシミュレーションを使わずに生成軌道の曲率を最小化するために, 前進過程を効率的に訓練する方法を提案する。
論文 参考訳（メタデータ） (2023-01-27T21:52:03Z)
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。