論文の概要: SoL-Refiner: Speed-of-Light One-Step Refinement for High-Resolution Video

• arxiv url: http://arxiv.org/abs/2609.37969v1
• Date: Tue, 29 Sep 2026 16:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.748223
• Title: SoL-Refiner: Speed-of-Light One-Step Refinement for High-Resolution Video
• Title（参考訳）: SoL-Refiner:高分解能ビデオのための光速ワンステップ微細化
• Abstract要約: SoL-Refinerは、低解像度のモデル出力を1ステップのデノーミングステップで4Kビデオに変換するワンステップビデオ精細機だ。 我々の3段階のレシピは、高分解能連続訓練、強化学習後訓練、最終1段階蒸留を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 41.59097100550893
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High-resolution video generation is expensive, as its cost grows rapidly with the number of spatiotemporal tokens. A practical alternative first generates a lower-resolution video and then applies a refiner, but conventional multi-step refinement introduces a second sampling bottleneck. We present SoL-Refiner, a one-step video refiner that transforms low-resolution model outputs into 4K videos with a single denoising step. Our three-stage recipe combines high-resolution continual training, reinforcement learning (RL) post-training, and a final one-step distillation. We introduce Refiner-Bench, a video refinement benchmark constructed from the outputs of different video generators, and use a shared-input protocol to compare refiners at approximately 2K output resolution. At 2K, the one-step SoL-Refiner outperforms all external refiners on the VBench and UniPercept averages, while at $3840\!\times\!2176$ it improves both metrics over the three-step LTX-2.3 Refiner. With the complete acceleration stack, SoL-Refiner achieves an $8.91\times$ speedup in refinement latency over the same baseline in our 2K latency setting.
• Abstract（参考訳）: 高解像度ビデオ生成は、時空間トークンの数の増加に伴い、コストが急速に増加するため、高価である。 実用的な代替手段として、まず低解像度の映像を生成し、その後リファインダーを施すが、従来のマルチステップリファインメントでは第2のサンプリングボトルネックが発生する。 本稿では、低解像度のモデル出力を1ステップのデノーミングステップで4Kビデオに変換するワンステップビデオ精細機SoL-Refinerを提案する。 我々の3段階のレシピは、高分解能連続訓練、強化学習(RL)後訓練、最終1段階蒸留を組み合わせたものである。 Refiner-Benchは、異なるビデオジェネレータの出力から構築されたビデオ精細ベンチマークであり、約2Kの出力解像度で精細機を比較するために共有入力プロトコルを使用する。 2Kで1ステップのSoL-Refinerは、VBenchとUniPerceptの平均ですべての外部精錬機を上回り、3840ドルだ! タイムズ! 2176$は3ステップのLTX-2.3 Refinerよりも両方のメトリクスを改善している。 完全なアクセラレーションスタックで、SoL-Refinerは2Kレイテンシ設定で同じベースライン上でのリファインメントレイテンシの高速化を8.91\times$で達成します。

関連論文リスト

• Sol-H3: Recursive Self-Improvement for MiniMax-H3 Inference Acceleration on Sol-Engine across Cloud and Edge [49.97870278439677]
  MiniMax-H3は、高機能で実運用レベルのオープンソースモデルである。 本稿では,効率的なアルゴリズム設計と最適化された演算子実装を統合したフルスタック推論パイプラインを提案する。 オーディオ付き5秒のビデオは、8xGB200ノードでリアルタイムより3.5倍高速に生成され、1つのDGX Sparkで1分以内のメモリ常駐が可能である。
  論文  参考訳（メタデータ） (2026-09-28T13:15:07Z)
• TurboT2VA: Fast Large-Scale Text-to-Video-Audio Generation via Score-Regularized Consistency Distillation [105.14745366152725]
  TurboT2VAは、ジョイントテキスト・ツー・ビデオ・オーディオ生成のための蒸留および推論フレームワークである。 LTX-2では、4段階の蒸留により512$times$768の標準評価解像度でジェネレータのレイテンシを50.52sから2.51sに短縮する。 完全なスタックは、ジェネレータのレイテンシを318.74sから1つのNVIDIA H20で5.83sに短縮し、54.67$times$ジェネレータのみのスピードアップを達成した。
  論文  参考訳（メタデータ） (2026-08-25T15:09:02Z)
• HiReFF: High-Resolution Feedforward Human Reconstruction from Uncalibrated Sparse-View Video [58.85548854304172]
  HiReFFは、2K解像度の360度ビデオ再構成のためのフィードフォワード方式である。 この問題を,スパースビデオからの3次元ガウス再構成と,計算効率の良い高分解能合成という2つの重要な課題に分解する。 実験により、HiReFFは高解像度のストリーミングビデオ再構成において既存の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2026-06-28T11:01:36Z)
• InstaVSR: Taming Diffusion for Efficient and Temporally Consistent Video Super-Resolution [27.629863377761527]
  InstaVSRは、効率的なビデオ超解像のための軽量拡散フレームワークである。 30フレームのビデオを2K$times$2K解像度で1分以内で処理し、メモリ使用量はわずか7GBである。
  論文  参考訳（メタデータ） (2026-03-27T07:33:13Z)
• Test-Time Temporal Sampling for Efficient MLLM Video Understanding [26.144261085897863]
  Test-Time Temporal Sampling (T3S) は、MLLMが効率よくかつ効果的に長編ビデオを処理できるトレーニングフリーのプラグアンドプレイ推論ラッパーである。 我々の手法は推論時に完全に動作し、モデル修正や微調整は不要であり、幅広い事前訓練されたMLLMと互換性がある。
  論文  参考訳（メタデータ） (2025-11-22T06:59:21Z)
• PipeDiT: Accelerating Diffusion Transformers in Video Generation with Task Pipelining and Model Decoupling [18.079843329153412]
  拡散トランス (DiT) ベースのモデルでは、マーク可能な能力が実証されている。 しかし、彼らの実践的なデプロイメントは、推論速度の遅いことと、メモリ消費の増大によって妨げられている。 ビデオ生成を高速化するために,PipeDiTという新しいパイプラインフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-15T06:46:40Z)
• LOVE-R1: Advancing Long Video Understanding with an Adaptive Zoom-in Mechanism via Multi-Step Reasoning [73.90466023069125]
  ビデオクリップに適応的にズームイン可能なモデルであるLOVE-R1を提案する。 モデルはまず、密度の高いサンプルフレームが提供されるが、小さな解像度で提供される。 空間的詳細が必要な場合、大きなフレーム解像度で興味のあるクリップを拡大することができる。
  論文  参考訳（メタデータ） (2025-09-29T13:43:55Z)
• Turbo2K: Towards Ultra-Efficient and High-Quality 2K Video Synthesis [50.77548592888096]
  2Kビデオ合成の需要は、超明快なビジュアルに対する消費者の期待が高まるにつれて増大している。 Turbo2Kはディテールリッチな2Kビデオを生成するための効率的なフレームワークである。
  論文  参考訳（メタデータ） (2025-04-20T03:30:59Z)
• LTX-Video: Realtime Video Latent Diffusion [4.7789714048042775]
  LTX-Videoはトランスフォーマーベースの潜在拡散モデルである。 Video-VAEとDenoising Transformerをシームレスに統合する。 Nvidia H100 GPU上では、24fpsのビデオ768 atx512の解像度をわずか2秒で生成する。
  論文  参考訳（メタデータ） (2024-12-30T19:00:25Z)

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。