論文の概要: Custom Forcing: Training-Free Subject Customization for Autoregressive Video Generation

• arxiv url: http://arxiv.org/abs/2610.02914v2
• Date: Mon, 05 Oct 2026 05:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 04:43:28.536678
• Title: Custom Forcing: Training-Free Subject Customization for Autoregressive Video Generation
• Title（参考訳）: カスタムフォース: 自己回帰ビデオ生成のためのトレーニング不要な主題カスタマイズ
• Abstract要約: 自動回帰ビデオモデルは、リアルタイムで1分間のビデオを生成することができるが、ユーザが提供する画像から特定の主題ではなく、テキストからジェネリックな主題を生成する。 本稿では,凍結自己回帰ビデオモデルのKVキャッシュに参照ベースのアンカーフレームを格納する,トレーニング不要なCustom Forcingを提案する。
• 参考スコア（独自算出の注目度）: 10.159997688458107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoregressive video models can generate minute-long videos in real time, but they produce generic subjects from text rather than specific subjects from user-provided images. Existing customization methods either require costly per-subject optimization or use pretrained conditioning networks that jointly process all video frames with bidirectional attention. Neither approach is designed for causal streaming. We present Custom Forcing, a training-free method that stores reference-based anchor frames in the persistent KV cache of a frozen autoregressive video model. However, fixed anchors face two limitations: simple conditioning allows identity to drift, and the text prompt continues to favor a generic subject. To address these problems, drift-adaptive value amplification (DVA) scales reference influence with the degree of identity drift, while anchor contrast guidance (ACG) steers generation away from the generic class prior. Over two-minute rollouts, fixed anchors fall from 0.58 to 0.42 in DINO-I, while Custom Forcing keeps it between 0.58 and 0.62 without reducing motion. Custom Forcing also achieves higher subject similarity than bidirectional customization methods and better preserves identity over 30s than causal image-to-video and reference-to-video models, while generating each frame 9.5-28.5 times faster than these long-video baselines.
• Abstract（参考訳）: 自動回帰ビデオモデルは、リアルタイムで1分間のビデオを生成することができるが、ユーザが提供する画像から特定の主題ではなく、テキストからジェネリックな主題を生成する。 既存のカスタマイズ手法では、オブジェクトごとの最適化に費用がかかるか、事前訓練されたコンディショニングネットワークを使用して、すべてのビデオフレームを双方向の注意で共同処理する。 いずれのアプローチも因果ストリーミングには設計されていない。 本稿では,凍結自己回帰ビデオモデルのKVキャッシュに参照ベースのアンカーフレームを格納する,トレーニング不要なCustom Forcingを提案する。 しかし固定アンカーには2つの制限がある: 単純な条件付けはアイデンティティをドリフトさせ、テキストプロンプトは一般的な主題を優先し続けている。 これらの問題に対処するため、ドリフト適応値増幅(DVA)はアイデンティティドリフトの程度に参照の影響を拡大し、アンカーコントラストガイダンス(ACG)ステアは以前のジェネリッククラスから生成する。 2分間のロールアウトでは固定アンカーがDINO-Iでは0.58から0.42に落ち、Custom Forcingでは動きを減らさずに0.58から0.62に維持される。 Custom Forcingは、双方向のカスタマイズ方法よりも被写体類似性が高く、因果画像からビデオまでのモデルや参照ビデオまでのモデルよりもアイデンティティを30秒以上保存し、長いビデオベースラインよりも9.5～28.5倍高速なフレームを生成する。

関連論文リスト

• ChronoLock: Protecting Videos from Unauthorized Text-to-Video Personalization [27.79968637806027]
  テキスト・ツー・ビデオ(T2V)拡散モデルにより、現実的で時間的に整合したビデオの合成がますます容易になっている。 最近のパーソナライズ技術は、いくつかの参照クリップから特定の主題、スタイル、動きパターンを模倣することができる。 オンラインで共有されたビデオは、無許可のT2V微調整のために収集および使用することができる。 既存の保護的摂動は主に画像認識やテキスト・ツー・イメージのパーソナライゼーションのために設計されており、したがって静的な外観を損なうことに重点を置いている。
  論文  参考訳（メタデータ） (2026-06-19T06:37:13Z)
• Speculative Decoding for Autoregressive Video Generation [9.370533301840284]
  ブロックベースの自己回帰ビデオ拡散に投機的復号化をもたらすSDVGを導入する。 1.3Bのドラフトラは、4つのデノナイジングステップを通じて候補ブロックを提案し、各ブロックはVAEデコードされ、ImageRewardによってスコア付けされる。 固定しきい値タウ以上のブロックは14BターゲットのKVキャッシュに受理され、残りはターゲットによって再生される。
  論文  参考訳（メタデータ） (2026-04-19T12:01:57Z)
• Subject-driven Video Generation via Disentangled Identity and Motion [52.54835936914813]
  本稿では,ゼロショットにおける時間的ダイナミクスから被験者固有の学習を分離し,追加のチューニングを伴わずに,主題駆動のカスタマイズビデオ生成モデルを訓練することを提案する。 提案手法は、ゼロショット設定で既存のビデオカスタマイズモデルよりも優れた、強力な被写体整合性とスケーラビリティを実現する。
  論文  参考訳（メタデータ） (2025-04-23T06:48:31Z)
• LoopAnimate: Loopable Salient Object Animation [19.761865029125524]
  LoopAnimateは、一貫した開始フレームと終了フレームでビデオを生成する新しい方法である。 忠実度や時間的整合性,主観評価結果など,両指標の最先端性を実現している。
  論文  参考訳（メタデータ） (2024-04-14T07:36:18Z)
• StreamingT2V: Consistent, Dynamic, and Extendable Long Video Generation from Text [58.49820807662246]
  本稿では,80,240,600,1200以上のフレームをスムーズな遷移で自動回帰的に生成するStreamingT2Vを紹介する。 私たちのコードは、https://github.com/Picsart-AI-Research/StreamingT2V.comで利用可能です。
  論文  参考訳（メタデータ） (2024-03-21T18:27:29Z)
• A Simple Recipe for Contrastively Pre-training Video-First Encoders Beyond 16 Frames [57.758863967770594]
  我々は,大規模な画像テキストモデルを浅部時間融合によりビデオに転送する共通パラダイムを構築した。 1)標準ビデオデータセットにおけるビデオ言語アライメントの低下による空間能力の低下と,(2)処理可能なフレーム数のボトルネックとなるメモリ消費の増大である。
  論文  参考訳（メタデータ） (2023-12-12T16:10:19Z)
• LatentMan: Generating Consistent Animated Characters using Image Diffusion Models [44.18315132571804]
  テキスト・ツー・イメージ(T2I)拡散モデルに基づいて,アニメキャラクターの一貫した映像を生成するゼロショット手法を提案する。 提案手法は,既存のゼロショットT2V手法より,ピクセルワイドの一貫性とユーザ嗜好の観点からアニメーションキャラクターのビデオ生成に優れる。
  論文  参考訳（メタデータ） (2023-12-12T10:07:37Z)

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。