論文の概要: DuoMatching: Joint-Marginal Distribution Matching for Few-Step Video Generation
- arxiv url: http://arxiv.org/abs/2610.03543v1
- Date: Fri, 02 Oct 2026 16:27:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.477182
- Title: DuoMatching: Joint-Marginal Distribution Matching for Few-Step Video Generation
- Title（参考訳）: DuoMatching:Few-Stepビデオ生成のための連星分布マッチング
- Abstract要約: DuoMatching(デュオマーチング)は、統合された連帯関係の定式化によって実際の映像配信を近似する分布マッチングフレームワークである。
実験により、DuoMatchingは視覚的品質、構成、セマンティックアライメントを改善し、モーションダイナミクスを大半保存することを示した。
- 参考スコア（独自算出の注目度）: 23.131229603229983
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Streaming video generation has benefited from distribution matching distillation (DMD), which matches the joint distribution of video frames to a video teacher's approximation of the real video distribution. Although this joint matching mitigates drift during autoregressive rollouts, limitations remain in visual quality and semantic alignment. To address these limitations, we propose DuoMatching, a distribution matching framework that approximates the real video distribution through a unified joint-marginal formulation. On top of existing joint matching formulations, the additional marginal matching objective provides dedicated frame-level supervision from an image generator, transferring complementary visual and semantic priors from it. To apply this frame-level supervision in video generation, we introduce LatentBridge to resolve the latent representation mismatch between the video student and the image teacher. Latent Variation Sampling further distributes such frame-level supervision across distinct temporal segments, reducing redundancy. Experiments demonstrate that DuoMatching improves visual quality, composition, and semantic alignment while largely preserving motion dynamics. Human evaluations show overall preference rates above 80% against all evaluated baselines. The project page is available at https://johnzhan2023.github.io/DuoMatching/.
- Abstract（参考訳）: ストリーミングビデオ生成は,ビデオフレームの連成分布と実映像分布の近似とを一致させる分散マッチング蒸留(DMD)の恩恵を受けている。
この結合マッチングは自己回帰的なロールアウト中にドリフトを緩和するが、視覚的品質とセマンティックアライメントには制限が残っている。
これらの制約に対処するために,統合された連成行列式により実映像の分布を近似する分布マッチングフレームワークDuoMatchingを提案する。
既存のジョイントマッチングの定式化に加えて、追加の限界マッチング目的は、イメージジェネレータから専用のフレームレベルの監視を提供し、補完的な視覚的および意味的な事前をそれから転送する。
このフレームレベルの監視をビデオ生成に適用するために,ビデオ学生とイメージ教師の遅延表現ミスマッチを解決するために,LatentBridgeを導入する。
ラテント変分サンプリングはさらに、このようなフレームレベルの監視を異なる時間セグメントに分散し、冗長性を減少させる。
実験により、DuoMatchingは視覚的品質、構成、セマンティックアライメントを改善し、モーションダイナミクスを大半保存することを示した。
人間の評価は、すべての評価基準に対して、全体の嗜好率が80%以上であることを示している。
プロジェクトのページはhttps://johnzhan2023.github.io/DuoMatching/.comで公開されている。
関連論文リスト
- TILT: Improving Compositional Generation in Diffusion Models with a Model-Intrinsic Reward [7.47572316039482]
テスト時間報酬アライメントによる合成テキスト・画像生成のためのトレーニングフリーフレームワークであるTILTを提案する。
構成失敗を結合分布と単一概念分布の重複モードとして解釈し、すべての概念が共同に存在するサンプルを好む報酬を定義する。
T2ICompBenchによるプロンプト実験により,従来のベースラインに比べて画質を保ちながらコンポジションアライメントを改善した。
論文 参考訳（メタデータ） (2026-05-16T16:56:52Z) - Supervised Contrastive Frame Aggregation for Video Representation Learning [0.0]
本稿では,各映像から複数のフレームを1つの入力画像に空間的に配置する画像集約戦略を提案する。
次に、モデルによって生成されたペアワイズプロジェクションを直接比較する、対照的な学習目標を設計する。
同じビデオの複数の自然なビューは、同じビデオから異なる時間的フレームサンプリングを使用して作成される。
論文 参考訳（メタデータ） (2025-12-14T04:38:40Z) - Zero-Shot Video Translation and Editing with Frame Spatial-Temporal Correspondence [81.82643953694485]
フレーム内対応とフレーム間対応を統合し,より堅牢な時空間制約を定式化するFRESCOを提案する。
提案手法は注意誘導を超越して特徴を明示的に最適化し,入力ビデオとの空間的整合性を実現する。
動画翻訳とテキスト誘導ビデオ編集の2つのゼロショットタスクに対してFRESCO適応を検証する。
論文 参考訳（メタデータ） (2025-12-03T15:51:11Z) - Language-Guided Graph Representation Learning for Video Summarization [96.2763459348758]
本稿では,映像要約のためのLGRLN(Language-guided Graph Representation Learning Network)を提案する。
具体的には,ビデオフレームを構造化グラフに変換して時間的順序と文脈依存性を保存するビデオグラフ生成装置を提案する。
提案手法は,複数のベンチマークにおいて既存手法より優れている。
論文 参考訳（メタデータ） (2025-11-14T04:35:48Z) - Training-Free Semantic Video Composition via Pre-trained Diffusion Model [96.0168609879295]
現在のアプローチは、主に前景の色と照明を調整したビデオで訓練されており、表面的な調整以上の深い意味の相違に対処するのに苦労している。
本研究では,事前知識を付加した事前学習拡散モデルを用いた学習自由パイプラインを提案する。
実験の結果,我々のパイプラインは出力の視覚的調和とフレーム間のコヒーレンスを確実にすることがわかった。
論文 参考訳（メタデータ） (2024-01-17T13:07:22Z) - Rerender A Video: Zero-Shot Text-Guided Video-to-Video Translation [93.18163456287164]
本稿では,動画に画像モデルを適用するための新しいテキスト誘導型動画翻訳フレームワークを提案する。
我々のフレームワークは,グローバルなスタイルと局所的なテクスチャの時間的一貫性を低コストで実現している。
論文 参考訳（メタデータ） (2023-06-13T17:52:23Z) - Transform-Equivariant Consistency Learning for Temporal Sentence
Grounding [66.10949751429781]
ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。
私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。
特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
論文 参考訳（メタデータ） (2023-05-06T19:29:28Z)
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。