論文の概要: Harnessing Intrinsic Subject-Aware Attention for Controllable Multi-Subject Video Generation

• arxiv url: http://arxiv.org/abs/2609.11507v1
• Date: Thu, 10 Sep 2026 13:15:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.365104
• Title: Harnessing Intrinsic Subject-Aware Attention for Controllable Multi-Subject Video Generation
• Title（参考訳）: 制御可能な多目的映像生成のための本質的主観意識の調和
• Abstract要約: 特定の注意ブロックが、参照対象を正確に特定する内在的空間接地マップ(ISGM)を自然に形成していることが判明した。 低雑音の段階では、ISGMを用いて注意機構を誘導し、再訓練せずに推論中の忠実度を正確に制御することができる。 高ノイズの段階では、これらの同じマップを使用して、強化学習のための追加コストなしで、好みのペアを自動的に構築します。
• 参考スコア（独自算出の注目度）: 23.97734604758057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-subject video generation faces two key challenges: uncontrollable fidelity strength and potential semantic drift. We address these by analyzing the internal mechanisms of Diffusion Transformers (DiTs). We found that certain attention blocks naturally form an Intrinsic Spatial Grounding Map (ISGM) that precisely locates reference subjects. Building on this insight, we propose Dual-phase Intrinsic Attention Leveraging (DIAL), a framework that uses these internal signals for both training and inference. In low-noise stages, we use ISGM to guide the attention mechanism, allowing precise control over fidelity strength during inference without retraining. In high-noise stages, we use these same maps to automatically build preference pairs at no additional cost for Reinforcement Learning (RL). This RL procedure effectively anchors the model's attention to reference subjects and mitigates semantic drift. Extensive experiments show that DIAL significantly outperforms baseline models on the OpenS2V-Eval benchmark, consistently improving identity consistency and enabling controllable fidelity strength.
• Abstract（参考訳）: マルチオブジェクトビデオ生成は、制御不能な忠実度と潜在的なセマンティックドリフトの2つの主要な課題に直面している。 拡散変換器 (DiT) の内部機構を解析することにより, この問題に対処する。 その結果,特定の注意ブロックが,参照対象を正確に特定する固有空間接地マップ(ISGM)を自然に形成していることが判明した。 この知見に基づいて、トレーニングと推論の両方にこれらの内部信号を使用するDual-phase Intrinsic Attention Leveraging (DIAL)を提案する。 低雑音の段階では、ISGMを用いて注意機構を誘導し、再訓練せずに推論中の忠実度を正確に制御することができる。 高ノイズの段階では、これらの同じマップを使用して、強化学習(RL)のための追加コストなしで、好みのペアを自動的に構築します。 このRLプロシージャは、参照対象に対するモデルの注意を効果的に固定し、セマンティックドリフトを緩和する。 大規模な実験により、DIALはOpenS2V-Evalベンチマークのベースラインモデルを大幅に上回り、恒常的にアイデンティティの整合性を向上し、制御可能なフィデリティ強度を実現している。

関連論文リスト

• DuoAD: Leveraging [CLS] Dual Characteristics for Training-Free Few-Shot Anomaly Detection [16.74080857973598]
  我々は,手動チューニングの除去にグローバルコンテキストを活用する完全自動異常検出フレームワークを提案する。 本手法は,MVTec-AD, VisA, Real-IADデータセットのイメージAUCスコア97.7%,93.2%,84.5%を達成する。
  論文  参考訳（メタデータ） (2026-07-27T01:31:48Z)
• Dual Consensus: Escaping from Spurious Majority in Unsupervised RLVR via Two-Stage Vote Mechanism [12.006669100411466]
  現在のRLVRアプローチは、正確な擬似ラベル推定に大きく依存している。 2段階のコンセンサス機構を用いて,より信頼性の高い学習信号を生成するDual Consensus Reinforcement Learningを提案する。 我々は、DCRLが多数決でPass@1を一貫して改善し、より安定したトレーニングダイナミクスが得られることを示した。
  論文  参考訳（メタデータ） (2026-03-17T07:57:23Z)
• Dual-Channel Attention Guidance for Training-Free Image Editing Control in Diffusion Transformers [11.772150619675527]
  既存のアテンション操作手法は、アテンションルーティングを変調するキー空間のみにフォーカスする。 本稿では,キーチャネルとバリューチャネルの両方を同時に操作するためのDual-Channel Attention Guidance (DCAG)を提案する。 DCAGは、すべての忠実度指標でキーのみのガイダンスを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-20T06:24:20Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• Learning Visually Interpretable Oscillator Networks for Soft Continuum Robots from Video [4.857795247230421]
  本稿では,自動エンコーダに基づく潜在動的学習のためのプラグイン・アンド・プレイモジュールであるAttention Broadcast Decoder (ABCD)を紹介する。 ABCDは静的背景をフィルタリングしながら、各潜伏次元の寄与をローカライズした画素精度の注意マップを生成する。 ABCDに基づくモデルにより,複数ステップの予測精度が大幅に向上することが実証された。
  論文  参考訳（メタデータ） (2025-11-23T07:27:39Z)
• DeLeaker: Dynamic Inference-Time Reweighting For Semantic Leakage Mitigation in Text-to-Image Models [55.30555646945055]
  テキスト・ツー・イメージ(T2I)モデルはセマンティック・リークに対して脆弱である。 DeLeakerは、モデルのアテンションマップに直接介入することで、漏洩を緩和する軽量なアプローチである。 SLIMはセマンティックリークに特化した最初のデータセットである。
  論文  参考訳（メタデータ） (2025-10-16T17:39:21Z)
• ScaleWeaver: Weaving Efficient Controllable T2I Generation with Multi-Scale Reference Attention [86.93601565563954]
  ScaleWeaverは、高度な視覚的自己回帰(VAR)モデルに基づいて、高忠実で制御可能な生成を実現するために設計されたフレームワークである。 提案された参照注意モジュールは image$rightarrow$condition から不要な注意を排除し、計算コストを削減している。 実験によると、ScaleWeaverは、拡散ベースの方法よりも優れた効率を実現しつつ、高品質な生成と正確な制御を提供する。
  論文  参考訳（メタデータ） (2025-10-16T17:00:59Z)
• SG-XDEAT: Sparsity-Guided Cross-Dimensional and Cross-Encoding Attention with Target-Aware Conditioning in Tabular Learning [0.0]
  本稿では,表データの教師あり学習のための新しいフレームワークであるSG-XDEATを提案する。 中心となるSG-XDEATはデュアルストリームエンコーダを使用し、各入力機能を2つの並列表現に分解する。 これらの双対表現は、注意に基づくモジュールの階層的なスタックを通して伝播される。
  論文  参考訳（メタデータ） (2025-10-14T15:56:40Z)
• Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories [58.988535279557546]
  適応推論トラジェクトリを用いたtextbf sycophancy Mitigation を提案する。 SMARTは,分布外の入力に対して強い性能を維持しながら,サイコファンティクスの挙動を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2025-09-20T17:09:14Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• Tracking the Unstable: Appearance-Guided Motion Modeling for Robust Multi-Object Tracking in UAV-Captured Videos [58.156141601478794]
  マルチオブジェクトトラッキング(UAVT)は、ビデオのフレーム間で一貫したアイデンティティを維持しながら、複数のオブジェクトを追跡することを目的としている。 既存の手法は、通常、動作キューと外観を別々にモデル化し、それらの相互作用を見渡して、最適下追跡性能をもたらす。 本稿では、AMC行列とMTCモジュールの2つの主要コンポーネントを通して、外観と動きの手がかりを利用するAMOTを提案する。
  論文  参考訳（メタデータ） (2025-08-03T12:06:47Z)

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。