Fugu-MT 論文翻訳(概要): Towards Subject Consistency over Dynamic Subject Sets in Video Generation

論文の概要: Towards Subject Consistency over Dynamic Subject Sets in Video Generation

arxiv url: http://arxiv.org/abs/2610.01052v1
Date: Thu, 01 Oct 2026 04:47:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 01:19:23.897547
Title: Towards Subject Consistency over Dynamic Subject Sets in Video Generation
Title（参考訳）: 映像生成における動的主題集合の整合性に向けて
Abstract要約: 我々は、ビデオ生成が長い期間に延びるにつれて、対象の整合性はテクトダイナミックな主題集合よりも評価されるべきであると主張する。 textbfDynSC-Evalは,対象者の視認寿命を把握し,局所的な連続性とグローバルなアイデンティティ保護を測定するための評価フレームワークである。次に、カリキュラム学習を通じて、生成を10s、30sに拡張し、一貫性の最適化が引き続き有効でありながら、ほとんど他の能力を保っていることを示す。
参考スコア（独自算出の注目度）: 25.336547722543486
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We argue that as video generation extends to longer durations, subject consistency should be evaluated over \textit{dynamic subject sets}. We therefore introduce \textbf{DynSC-Eval}, an evaluation framework that dynamically tracks eligible subjects throughout their visible lifespans and measures local continuity and global identity preservation using six complementary object-level metrics, with explicit detection of inconsistency events. To validate its effectiveness, we design synthetic experiments that actively inject inconsistency events, demonstrating both the sensitivity of DynSC-Eval and the limitations of existing metrics. Evaluations of diverse models on 5s, 15s, and 60s video generation further reveal substantial subject consistency differences that are obscured by conventional metrics. Beyond evaluation, we construct rewards from DynSC-Eval and apply DiffusionNFT post-training in an autonomous-driving testbed. On 5s generation, our approach reduces the six inconsistency metrics by an average of 13.82\% for Wan-2.1-1.3B and 5.66\% for SANA-2B, with improvements also observed on the I2V model ReSim. Qualitative comparisons further demonstrate the effectiveness of our method. We then extend generation to 10s and 30s through curriculum learning and show that consistency optimization remains effective while largely preserving other capabilities.
Abstract（参考訳）: ビデオ生成が長続きするにつれて、対象の整合性は \textit{dynamic subject set} 上で評価されるべきである。そこで本稿では, 対象者の視界を動的に追跡する評価フレームワークであるtextbf{DynSC-Eval}を導入し, 不整合事象の明示的な検出とともに, 6つの相補的対象レベルの指標を用いて, 局所的連続性とグローバルなアイデンティティ保存を測定する。有効性を検証するため,DynSC-Evalの感度と既存の指標の限界の両方を実証し,一貫性のない事象を積極的に注入する合成実験を設計した。 5s,15s,60sのビデオ生成における多種多様なモデルの評価により,従来の測定基準では明らかにされていない,主観的整合性の違いが明らかとなった。評価以外にも、DynSC-Evalからの報酬を構築し、DiffusionNFTポストトレーニングを自動運転テストベッドに適用する。 5s世代では,Wan-2.1-1.3Bでは平均13.82\%,SANA-2Bでは5.66\%,I2VモデルReSimでは改善が見られた。定性比較により,本手法の有効性がさらに示された。次に、カリキュラム学習を通じて、生成を10s、30sに拡張し、一貫性の最適化が引き続き有効でありながら、ほとんど他の能力を保っていることを示す。

関連論文リスト

PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models [60.567497085815724]
PhysBrain 1.5は、物理的な環境を理解し、アクションを生成し、将来の状態を予測するための統一モデルである。事前トレーニングは、人間のインタラクションビデオから完全に具体化された監督を引き出す。一般的なマルチモーダル機能を維持しながら、14のベンチマークで最高のオープンソース結果を達成する。
論文参考訳（メタデータ） (2026-09-14T03:25:46Z)
Beyond Global Realism: Virtual Try-On Evaluation and Optimization with Dimension-wise Garment Fidelity Assessment [12.525803780699789]
仮想試行のための次元ワイドアセスメントフレームワークを提案する。衣服の一貫性を7つの解釈可能な次元に分解する。本手法は,バランスの取れた精度で最先端の性能を実現する。
論文参考訳（メタデータ） (2026-08-30T14:08:40Z)
SimReg: Achieving Higher Performance in the Pretraining via Embedding Similarity Regularization [55.63565289584336]
SimRegは埋め込み類似性正規化損失であり、各シーケンス内で同じ基幹ラベルを持つトークン表現をより類似させる。分析の結果, この機構は多分類マージンを増大させ, より効率的な分類を可能にした。
論文参考訳（メタデータ） (2026-05-09T08:59:13Z)
YOLO-DS: Fine-Grained Feature Decoupling via Dual-Statistic Synergy Operator for Object Detection [55.58092342624062]
DSO(Dual-Statistic Synergy Operator)を中心に構築されたYOLO-DSを提案する。 YOLO-DSは、チャネル平均とピーク平均差を共同でモデル化することにより、オブジェクトの特徴を分離する。 MS-COCOベンチマークでは、YOLO-DSは5つのモデルスケールでYOLOv8を上回っている。
論文参考訳（メタデータ） (2026-01-26T05:50:32Z)
Facial Expression Recognition with YOLOv11 and YOLOv12: A Comparative Study [0.0]
本研究では, FER の統一検出・分類フレームワークにおいて, YOLOv11n と YOLOv12n の2つの軽量モデルの性能について検討した。
論文参考訳（メタデータ） (2025-11-14T03:57:21Z)
MACEval: A Multi-Agent Continual Evaluation Network for Large Models [52.629762680215315]
大規模モデルの動的評価のためのマルチエージェント連続評価ネットワークであるMACEvalを紹介する。 MACEvalは,(1)人間フリーで自動で,(2)エージェント間判定による退屈な結果処理を緩和し,(2)効率よく,経済的に,相当量のデータとオーバーヘッドを減らして,関連するベンチマークと同じような結果が得られること,(3)カスタマイズされた評価トポロジによる既存のベンチマークの柔軟性,拡張性,マイグレーション,統合化を実証する。
論文参考訳（メタデータ） (2025-11-12T09:26:24Z)
SAGE: A Realistic Benchmark for Semantic Understanding [9.688555356614044]
SAGE(Semantic Alignment & Generalization Evaluation)は,埋め込みモデルと類似度指標の両方を評価するための厳密なベンチマークである。 9つの埋め込みモデルと古典的なメトリクスを総合的に評価すると、大きなパフォーマンスのギャップが明らかになる。 OpenAI のtext-embedding-3-small が最も高いクラスタリング性能 (0.483) を達成するが、最低ロバストネススコア (0.011) で極端に脆さを示す。
論文参考訳（メタデータ） (2025-09-25T15:27:15Z)
When Punctuation Matters: A Large-Scale Comparison of Prompt Robustness Methods for LLMs [55.20230501807337]
本報告では, 統一実験フレームワーク内での迅速なロバスト性向上のための5つの手法の体系的評価を行う。 Llama、Qwen、Gemmaファミリーの8つのモデルに対して、Natural Instructionsデータセットから52のタスクをベンチマークする。
論文参考訳（メタデータ） (2025-08-15T10:32:50Z)
Evaluation of Text-to-Video Generation Models: A Dynamics Perspective [94.2662603491163]
既存の評価プロトコルは主に時間的一貫性とコンテンツの連続性に焦点を当てている。本稿では,T2Vモデルを評価するための動的次元に着目した効果的な評価プロトコルDEVILを提案する。
論文参考訳（メタデータ） (2024-07-01T08:51:22Z)
A Cross-Attention Augmented Model for Event-Triggered Context-Aware Story Generation [28.046803293933213]
生成したストーリーの関連性とコヒーレンスを高める新しいニューラルジェネレーションモデルであるEtriCAを導入する。我々は、大規模書籍コーパスに知識向上のためのポストトレーニングフレームワーク(KeEtriCA)を採用。その結果、自動測定では約5%が改善され、人間の評価では10%以上が改善された。
論文参考訳（メタデータ） (2023-11-19T08:54:47Z)
Exploring the Physical World Adversarial Robustness of Vehicle Detection [13.588120545886229]
アドリアックは現実世界の検知モデルの堅牢性を損なう可能性がある。 CARLAシミュレータを用いた革新的なインスタントレベルデータ生成パイプラインを提案する。本研究は, 逆境条件下での多種多様なモデル性能について考察した。
論文参考訳（メタデータ） (2023-08-07T11:09:12Z)

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。