論文の概要: LongTake: Learning to Sustain Dynamics in Long-Horizon Video Generation

• arxiv url: http://arxiv.org/abs/2609.38562v1
• Date: Tue, 29 Sep 2026 21:23:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.754996
• Title: LongTake: Learning to Sustain Dynamics in Long-Horizon Video Generation
• Title（参考訳）: LongTake: 長距離ビデオ生成におけるダイナミクスの維持を学ぶ
• Abstract要約: LongTakeはLong-Horizon Teacher Forcing(TF)を中心に作られた2段階のトレーニングパイプラインで、リアルタイムビデオのキュレーションを行っている。 TFはARモデルをトレーニングし、長い地平線ビデオプレフィックスで条件付けられた後続のフレームを予測する。 LongTakeは、ダイナミック度と審美的品質の前面にあり、Hybrid DMDは、30年代と60年代の評価手法の中で、最も高いダイナミック度を達成している。
• 参考スコア（独自算出の注目度）: 37.92967451984813
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models, game simulators, and long-take video creation require coherent scene evolution and sustained dynamics over extended durations. Autoregressive (AR) video diffusion provides a natural framework for long-horizon generation, yet extended rollouts often become near-static or lose visual quality. We hypothesize that these failures reflect the limited guidance provided by short-video supervision on how ongoing scene dynamics develops over longer durations. This motivates us to introduce LongTake, a two-stage training pipeline built around Long-Horizon Teacher Forcing (TF) on curated real long videos. Long-Horizon TF trains the AR model to predict later frames conditioned on long ground-truth video prefixes, extending direct supervision beyond the short training horizon. This supervision is designed to help the model sustain dynamics and preserve visual quality during long-horizon generation. Our central finding is that this training stage strengthens direct initialization for distribution matching distillation (DMD) under student self-rollout, without the intermediate few-step distillation stage used in standard pipelines. Under the same five-second DMD training setup, our initialization yields substantially higher dynamic degree than short horizon TF initialization on 30-second rollouts at comparable aesthetic quality, and surpasses the evaluated baselines in both measures. Hybrid DMD further reuses this teacher to extend supervision to later frames of the self-rollout while retaining bidirectional joint supervision over the initial window. On long-horizon self-rollouts, LongTake lies on the Pareto front of dynamic degree and aesthetic quality, and Hybrid DMD attains the highest dynamic degree among evaluated methods at both 30s and 60s.
• Abstract（参考訳）: ワールドモデル、ゲームシミュレータ、ロングテイクビデオ作成は、連続したシーンの進化と長期にわたる持続的なダイナミクスを必要とする。 オートレグレッシブ(AR)ビデオ拡散は、ロングホライゾン生成のための自然なフレームワークを提供するが、ロールアウトがほぼ静的になるか、視覚的品質を失うことも多い。 これらの失敗は、進行中のシーンダイナミクスが長期にわたってどのように発展していくかについて、短いビデオ監視によって提供される限られたガイダンスを反映していると仮定する。 これは2段階のトレーニングパイプラインで、Long-Horizon Teacher Forcing(TF)を中心に作られた。 Long-Horizon TFはARモデルをトレーニングし、長い地平線ビデオプレフィックスで条件付けられた後続のフレームを予測する。 この監督は、モデルが動力学的に維持し、長期にわたって視覚的品質を維持するのに役立つように設計されている。 我々の中心的な発見は、この訓練段階は、標準パイプラインで使用される中間的な数段階蒸留段階を使わずに、学生の自己ロールアウト下での分散マッチング蒸留(DMD)の直接初期化を強化することである。 同じ5秒のMDDトレーニングセットアップでは,30秒のロールアウトにおいて,短時間のTFの初期化よりもかなり高い動的度が得られ,両尺度のベースラインを上回ります。 ハイブリッドDMDは、この教師を再利用して、後続の自己ロールアウトのフレームに監督を拡大し、初期ウィンドウ上で双方向の共同監督を維持している。 長期のセルフロールアウトでは、LongTakeはParetoのダイナミックな度合いと審美的品質の面にあり、Hybrid DMDは30年代と60年代に評価された方法の中で最も高いダイナミックな度を達成している。

関連論文リスト

• OPSD-V: On-Policy Self-Distillation for Post-Training Few-Step Autoregressive Video Generators [68.69611976783243]
  OPSD-Vは、数ステップの自己回帰(AR)ビデオ拡散モデルの訓練後の自己蒸留パラダイムである。 鍵となるアイデアは、トレーニング中の時間的文脈として実際の長時間ビデオデータを導入し、それを高密度な軌跡レベルの監視に使用することである。 実験では、視覚的品質、運動力学、VBenchLongスコアが一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-07-09T17:59:11Z)
• HorizonDrive: Self-Corrective Autoregressive World Model for Long-horizon Driving Simulation [43.56520703300463]
  HorizonDriveはAR駆動シミュレーションのためのアンチドリフティングトレーニング・アンド・蒸留フレームワークである。 境界メモリ下でのミニスケールARロールアウトをサポートする。 FIDを52%下げ、FVDを37%下げ、AREとDTWを9%下げる。
  論文  参考訳（メタデータ） (2026-05-12T06:22:16Z)
• DCARL: A Divide-and-Conquer Framework for Autoregressive Long-Trajectory Video Generation [10.575655795360937]
  DCARLは、分割・変換方式の構造安定性と高忠実度VDMの生成を結合した、新規な分割・変換型自己回帰フレームワークである。 提案手法は,最先端の自己回帰的・分割型ベースラインと比較して,視覚的品質とカメラの密着性の両方において優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-03-25T22:07:09Z)
• LIVE: Long-horizon Interactive Video World Modeling [39.52605866460851]
  Long-Horizon Interactive Video world modElは、新しいサイクル一貫性の目的を通じて境界付きエラー蓄積を実行する。 Liveはロングホライゾンベンチマークで最先端のパフォーマンスを達成し、ロールアウト期間のトレーニングを超えて、安定した高品質のビデオを生成する。
  論文  参考訳（メタデータ） (2026-02-03T17:10:03Z)
• 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)
• LongVie 2: Multimodal Controllable Ultra-Long Video World Model [94.85126937285527]
  LongVie 2はエンドツーエンドの自動回帰フレームワークで、3段階でトレーニングされている。 LongVie 2は、長距離制御性、時間的コヒーレンス、視覚的忠実さにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-12-15T17:59:58Z)
• BAgger: Backwards Aggregation for Mitigating Drift in Autoregressive Video Diffusion Models [50.986189632485285]
  モデル自身のロールアウトから補正軌道を構築する自己教師型スキームであるバックワードアグリゲーション(BAgger)を導入する。 数段階の蒸留と分配整合損失に依存する従来のアプローチとは異なり、BAggerは標準的なスコアやフローマッチングの目的を持つ列車である。 因果拡散変換器でBAggerをインスタンス化し、テキスト・ツー・ビデオ、ビデオ・エクステンション、マルチプロンプト・ジェネレーションで評価する。
  論文  参考訳（メタデータ） (2025-12-12T23:02:02Z)
• Self-Forcing++: Towards Minute-Scale High-Quality Video Generation [50.945885467651216]
  拡散モデルは画像とビデオ生成に革命をもたらし、前例のない視覚的品質を達成した。 最近の研究は、主に短水平双方向教師の蒸留によって、長時間のビデオ生成のための自己回帰的定式化を探求している。 長ビデオ教師の監督や長ビデオデータセットの再訓練を必要とせずに、長ビデオ生成における品質劣化を軽減するための、単純かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-02T17:55:42Z)

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。