論文の概要: ReCaVSR: One-Step Streaming Diffusion Video Super-Resolution with Recycled Latents and Learned Cache Routing
- arxiv url: http://arxiv.org/abs/2609.37831v1
- Date: Tue, 29 Sep 2026 15:36:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.691447
- Title: ReCaVSR: One-Step Streaming Diffusion Video Super-Resolution with Recycled Latents and Learned Cache Routing
- Title（参考訳）: ReCaVSR: リサイクル潜水剤と学習キャッシュルーティングによるワンステップストリーミング拡散ビデオ超解法
- Abstract要約: リアルタイム拡散に基づくビデオ超解像(VSR)は、オンラインストリーミングの需要が高い。
本稿では,Wan2.2ベースのストリーミングVSRのためのワンステップフレームワークであるReCaVSRを提案する。
1つのNVIDIA A100-80GBの1080times 1920$出力解像度で、ReCaVSRは21.20 FPSと15.16GBのピーク割り当てGPUメモリを達成している。
- 参考スコア（独自算出の注目度）: 17.14756776775737
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time diffusion-based video super-resolution (VSR) is in high demand for online streaming, yet stringent latency requirements often compromise generative fidelity. We propose ReCaVSR, a Wan2.2-based, one-step framework for streaming VSR that builds on two observations: recycled SR latents retain local temporal context, reducing the need for full historical Key-Value (KV) caches; and individual transformer layers benefit from distinct temporal scopes. ReCaVSR combines three complementary designs: (i) layer-wise cache routing with recycled SR latents: each DiT layer learns its KV-cache temporal scope under a cache budget and exports a static inference schedule, while recycled SR latents propagate local context by conditioning each new block on the model's own preceding predictions. (ii) Multi-Scope Query (MSQ) Discriminator: a compositional discriminator combining global, spatial-window, and temporal-tube feedback for holistic realism, local texture generation, and temporal stability. (iii) LR-conditioned adaptation of FlashDecoder: a VAE decoder that incorporates LR observations for efficient latent decoding. ReCaVSR enables streaming VSR without iterative sampling or full historical KV-cache materialization. Experiments on synthetic and real-world VSR benchmarks show better perceptual quality, temporal consistency, and streaming efficiency than representative VSR baselines. At $1080{\times}1920$ output resolution on a single NVIDIA A100-80GB, ReCaVSR achieves 21.20 FPS with 15.16 GB peak allocated GPU memory, running 2.72$\times$ faster while using 38.0\% less peak allocated memory than FlashVSR Tiny. The code is available at https://github.com/kopperx/ReCaVSR.
- Abstract（参考訳）: リアルタイム拡散に基づくビデオ超解像(VSR)は、オンラインストリーミングには高い需要があるが、レイテンシの厳しい要求は、しばしば生成の忠実さを損なう。
Wan2.2ベースのストリーミングVSRのためのワンステップフレームワークであるReCaVSRを提案する。リサイクルSR潜水器は局所的時間的コンテキストを維持し、完全なキーバリュー(KV)キャッシュの必要性を低減し、個々のトランスフォーマー層は時間的スコープから恩恵を受ける。
ReCaVSRは3つの相補的な設計を組み合わせている。
i) 各DiT層は、キャッシュ予算の下でKV-cache時間範囲を学習し、静的な推論スケジュールをエクスポートする一方、リサイクルされたSR潜在層は、モデルの以前の予測に対して各新しいブロックを条件付けすることで、ローカルコンテキストを伝搬する。
(二)マルチスコープクエリ(MSQ)判別器:グローバル,空間ウィンドウ,時間管フィードバックを組み合わせた合成識別器で、全体的リアリズム、局所的なテクスチャ生成、時間的安定性を実現する。
3) LR条件によるFlashDecoderの適応: LR観測を組み込んだVAEデコーダ。
ReCaVSRは、反復サンプリングや完全な歴史的なKVキャッシュの実体化なしにVSRをストリーミングできる。
合成および実世界のVSRベンチマークの実験では、一般的なVSRベースラインよりも知覚品質、時間的一貫性、ストリーミング効率が向上した。
1台のNVIDIA A100-80GBで1080{\times} 1920$の出力解像度で、ReCaVSRは15.16GBのピーク割り当てられたGPUメモリで21.20 FPSを達成した。
コードはhttps://github.com/kopperx/ReCaVSRで公開されている。
関連論文リスト
- LoCoVSR: Local Context Diffusion Posterior Sampling for Video Super-Resolution [20.840789905678488]
ビデオ超解像(VSR)は、高分解能(HR)をノイズの多い低分解能(LR)バージョンから再構成することを目的とした逆問題である。
拡散確率モデルを用いた拡散型VSRフレームワークを開発した。
LoVSRは、最近の拡散ベースのVSRアプローチと競合する結果と、正確な時間的、時間的整合性、高品質なアップスケーリングを実現する。
論文 参考訳（メタデータ） (2026-09-26T16:02:19Z) - tcnerv:dual-domain temporal context modeling for implicit neural video compression [6.025390826523129]
TCNeRVは、フィーチャードメインと埋め込みドメインの両方で再構成されたコンテキストを利用する。
UVGデータセットの平均PSNRは36.08dBであり、HNeRV-Boostの2.20dBを上回っている。
論文 参考訳（メタデータ） (2026-09-15T09:00:18Z) - TRaM-VSR: Importance-Aware Token Routing and Merging for One-Step Diffusion Video Super-Resolution [52.96050253456634]
TRaM-VSRは、コンテキスト対応のビデオプリエントとネットワークレベルを用いた適応トークンアロケーションのためのフレームワークである。
その結果、TRaM-VSRは、最先端の復元品質と頑健な時間的整合性を維持しつつ、推論を著しく加速することがわかった。
論文 参考訳（メタデータ） (2026-07-24T11:57:26Z) - LiteVSR: Lightweight Adaptation of Frozen Diffusion Transformers for Video Super-Resolution [73.85089704122315]
軽量な状態認識適応器を備えた冷凍トランスフォーマーを用いて,ビデオ超解法(VSR)を実現するミニマリストフレームワークを提案する。
LiteVSRは、たった11.25%のトレーニング可能なパラメータと1つのA100での12GPU時間のトレーニングで競争力のある復元品質を実現し、高速サンプリング(単一ステップまで)の互換性を維持している。
論文 参考訳（メタデータ） (2026-06-08T09:23:42Z) - LoGeR: Long-Context Geometric Reconstruction with Hybrid Memory [97.14005794889134]
提案するLoGeRは,高密度な3次元再構成を,後最適化なしで極めて長いシーケンスに拡張する新しいアーキテクチャである。
LoGeRはビデオストリームをチャンクで処理し、高忠実度なチャンク内推論に強力な双方向の事前処理を活用する。
このメモリアーキテクチャにより、LoGeRは128フレームのシーケンスでトレーニングでき、推論中に数千フレームまで一般化できる。
論文 参考訳（メタデータ） (2026-03-03T18:55:37Z) - DiffVC-RT: Towards Practical Real-Time Diffusion-based Perceptual Neural Video Compression [38.495966630021556]
我々は、リアルタイム拡散に基づくニューラルビデオ圧縮(NVC)を実現するための最初のフレームワークであるDiffVC-RTを提案する。
DiffVC-RTは、NVIDIA H800 GPU上の720pビデオに対して、リアルタイムエンコーディングとデコード速度206/30 fpsのHEVCデータセット上で、LPIPSよりもVTM-17.0よりも80.1%のパーセプティカルセーブを実現していることを示す。
論文 参考訳（メタデータ） (2026-01-28T12:59:25Z) - FlashVSR: Towards Real-Time Diffusion-Based Streaming Video Super-Resolution [61.284842030283464]
FlashVSRは、リアルタイムVSRに向けた最初の拡散ベースのワンステップストリーミングフレームワークである。
A100 GPUで768x1408ビデオの約17FPSで動作する。
超高解像度に確実にスケールし、従来の1ステップ拡散VSRモデルよりも最大12倍のスピードアップで最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-10-14T17:25:54Z) - LiftVSR: Lifting Image Diffusion to Video Super-Resolution via Hybrid Temporal Modeling with Only 4$\times$RTX 4090s [16.456543112614586]
拡散モデルは、知覚品質を向上させることによって高度なビデオ超解像(VSR)を持つ。
本稿では、PixArt-$alpha$に先立って画像の拡散を緩和し、最先端の結果を得るための効率的なVSRフレームワークLiftVSRを提案する。
いくつかの典型的なVSRベンチマークの実験では、LiftVSRは計算コストを大幅に削減して優れた性能を発揮することが示されている。
論文 参考訳（メタデータ） (2025-06-10T07:49:33Z) - Zooming SlowMo: An Efficient One-Stage Framework for Space-Time Video
Super-Resolution [100.11355888909102]
時空ビデオ超解像度は低解像度(LR)と低フレームレート(LFR)ビデオシーケンスから高解像度(HR)スローモーションビデオを生成することを目的としている。
入力LRおよびLFRビデオから直接HRスローモーション映像シーケンスを再構成できる一段階の時空間ビデオ超解像フレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-15T17:59:23Z) - Zooming Slow-Mo: Fast and Accurate One-Stage Space-Time Video
Super-Resolution [95.26202278535543]
単純な解決策は、ビデオフレーム(VFI)とビデオ超解像(VSR)の2つのサブタスクに分割することである。
時間合成と空間超解像はこの課題に関係している。
LFR,LRビデオからHRスローモーション映像を直接合成するワンステージ時空間ビデオ超解像フレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-26T16:59:48Z)
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。