論文の概要: Rethinking Streaming Video Diffusion Model: Context, Execution, and Training

• arxiv url: http://arxiv.org/abs/2609.22283v1
• Date: Sun, 13 Sep 2026 03:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 03:38:27.364146
• Title: Rethinking Streaming Video Diffusion Model: Context, Execution, and Training
• Title（参考訳）: ストリーミングビデオ拡散モデルの再考 - 文脈, 実行, 訓練
• Abstract要約: 本研究では,モデル選択とサンプル選択,履歴条件付け,実行スケジューリング,トレーニング戦略に関連する統合分析フレームワークを開発する。 クリーン, 同レベル, プログレッシブの3つの代表的な政策について検討する。 複数のノードをまとめて処理することで、プログレッシブ・ヒストリー・パイプライニングは1.57$-$2.83times$static-state DiTスピードアップを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the design space of streaming video diffusion is essential to exploring its potential for generation quality and computational efficiency. We develop a unified analytical framework that relates model and sampler choices, historical conditioning, execution scheduling, and training strategies. The framework accommodates a broad family of causal context-selection policies and makes their computational dependencies and training-inference alignment explicit. Within this design space, we study three representative policies: clean, same-level, and progressive history. On the full VBench prompt set, same-level and progressive history achieve aggregate scores of 85.24 and 85.60, respectively, compared with 84.45 for the clean-history reference. Long-video comparisons further show improved subject consistency and more coherent motion with progressive history. By allowing multiple denoising nodes to be processed together, progressive-history pipelining achieves $1.57$-$2.83\times$ steady-state DiT speedups under our evaluated conditions. We additionally find that LoRA adaptation of the DMD fake-score network improves generation quality using only 2.15% as many trainable fake-score parameters as full-parameter adaptation. Together, these findings show that fully denoised history is not a prerequisite for high-quality streaming generation and motivate the joint design of historical conditioning, execution, and training.
• Abstract（参考訳）: ストリーミングビデオ拡散の設計空間を理解することは、生成品質と計算効率の可能性を探求するために不可欠である。 本研究では,モデル選択とサンプル選択,履歴条件付け,実行スケジューリング,トレーニング戦略に関連する統合分析フレームワークを開発する。 このフレームワークは、幅広い因果的コンテキスト選択ポリシーのファミリーに対応し、それらの計算依存とトレーニング-推論アライメントを明確にする。 このデザイン空間内では、クリーン、同レベル、プログレッシブ・ヒストリーの3つの代表的なポリシーについて研究する。 フルVBenchプロンプトセットでは、同レベルとプログレッシブ・ヒストリーはそれぞれ85.24と85.60のスコアを達成し、クリーン・ヒストリー参照では84.45である。 長ビデオ比較では、被験者の一貫性が向上し、進行史とのコヒーレントな動きが向上した。 複数のノードをまとめて処理することで、プログレッシブ・ヒストリー・パイプライニングは、評価条件下で1.57$-$2.83\times$static-state DiTスピードアップを達成する。 さらに,DMD偽スコアネットワークのLoRA適応は,フルパラメータ適応としてトレーニング可能な偽スコアパラメータの2.15%しか使用せず,生成品質が向上することがわかった。 これらの結果から, 完全復号化史は高品質なストリーミング生成の前提条件ではなく, 歴史的条件付け, 実行, 訓練の連帯設計を動機付けていることが明らかとなった。

関連論文リスト

• Stream Forcing: Constructing Unified Training Trajectory for Robust Streaming Video Generation [40.85834841331202]
  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。
  論文  参考訳（メタデータ） (2026-08-11T03:39:05Z)
• 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)
• 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)
• 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)
• CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
  知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。 本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。 本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T15:22:01Z)
• Investigating Tradeoffs in Real-World Video Super-Resolution [90.81396836308085]
  実世界のビデオ超解像(VSR)モデルは、一般化性を改善するために様々な劣化で訓練されることが多い。 最初のトレードオフを軽減するために,性能を犠牲にすることなく,最大40%のトレーニング時間を削減できる劣化手法を提案する。 そこで本研究では,多種多様な実世界の低品質映像系列を含むビデオLQデータセットを提案する。
  論文  参考訳（メタデータ） (2021-11-24T18:58:21Z)

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。