論文の概要: S2PD: Serial-to-Parallel Diffusion for Physically and Logically Consistent Video Generation
- arxiv url: http://arxiv.org/abs/2610.06847v1
- Date: Mon, 05 Oct 2026 17:59:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 22:07:26.829274
- Title: S2PD: Serial-to-Parallel Diffusion for Physically and Logically Consistent Video Generation
- Title（参考訳）: S2PD:物理・論理的に一貫性のあるビデオ生成のためのシリアル-パラレル拡散
- Abstract要約: 高雑音下で自己回帰拡散を行うS2PD(Serial-to-Parallel Diffusion)を導入し,低雑音下で並列拡散に切り替える。
S2PDは、一致した双方向ベースラインよりも規則を確実に追従し、他のシリアルメソッドよりも時間的安定性とサンプリング効率の高いビデオを生成する。
- 参考スコア（独自算出の注目度）: 12.289909175160714
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bidirectional video diffusion models denoise entire videos in parallel, yet when trained on effectively unlimited in-distribution data from procedural generators, continue to violate physical laws and simple symbolic rules. We introduce Serial-to-Parallel Diffusion (S2PD), which performs autoregressive diffusion at high noise before switching to parallel diffusion at low noise. The autoregressive phase provides the serial computation needed to coordinate interdependent events and produce valid state transitions while the parallel phase jointly refines the entire video and reduces sampling time relative to fully serial generation. We implement S2PD with two architectures: a pixel-space diffusion transformer trained from scratch and a pretrained video model adapted through LoRA fine-tuning with causal attention. Across games, physical simulations, and real video, S2PD follows rules more reliably than matched bidirectional baselines and generates videos with greater temporal stability and sampling efficiency than other serial methods.
- Abstract（参考訳）: 双方向ビデオ拡散モデルは、動画全体を並列にデノベートするが、プロシージャジェネレータから効果的に無制限に配信するデータを訓練すると、物理法則や単純な記号規則に違反し続ける。
高雑音下で自己回帰拡散を行うS2PD(Serial-to-Parallel Diffusion)を導入し,低雑音下で並列拡散に切り替える。
自己回帰相は、相互依存するイベントを調整し、有効な状態遷移を生成するのに必要なシリアル計算を提供し、一方、並列相はビデオ全体を共同で洗練し、完全なシリアル生成に対するサンプリング時間を短縮する。
ゼロから訓練された画素空間拡散変換器とLoRAファインタニングによる事前学習ビデオモデルとを因果注意で実装した。
ゲーム、物理シミュレーション、実ビデオ全体において、S2PDは、一致した双方向ベースラインよりもルールを確実に追従し、他のシリアルメソッドよりも時間的安定性とサンプリング効率の高いビデオを生成する。
関連論文リスト
- SymRegFlow: Symmetry-Regularized Flow Matching for Video World Models [50.31523697382425]
EmphSymRegFlowは、マルチビュー一貫性ビデオ生成のための対称規則化フローマッチングフレームワークである。
それぞれのターゲットポーズに対して、SymRegFlowは、ソースビューをノイズアンカーに幾何学的にワープし、マスク付きデュアルアンカー監視とクロスアンカー・アウトプの一貫性を組み合わせる。
Cosmos-Drive-DreamsとnuScenesの実験は、高品質でマルチビュー一貫性のある自動運転ビデオ生成を実証している。
論文 参考訳（メタデータ） (2026-10-02T03:02:22Z) - ZoomDiff: A High-Fidelity Diffusion Model for Dual-Camera Smooth Zooming [52.06132693305164]
デュアルカメラ間のデジタルズーム遷移は、幾何学的構造と色調の整合性において顕著な不連続性を示すことが多い。
本稿では,高忠実度拡散モデルであるZoomDiffを提案する。
論文 参考訳（メタデータ） (2026-09-23T13:22:58Z) - Parallel Decoding Distillation for Fast Image and Video Generation [35.18845060233149]
拡散モデルと流れマッチングモデルの高速推論のための並列復号蒸留(PDD)を提案する。
PDDは、ネットワーク評価毎に複数のデノゲーションステップを予測することで、生成を加速する。
LTX-2.3 Text-to-Video/Audio, Wan 14B Text-to-Video, Qwen-Image Text-to-Imageの4-8 NFEによるSOTA性能を実現する。
論文 参考訳（メタデータ） (2026-07-28T17:20:00Z) - FlowLong: Inference-time Long Video Generation via Manifold-constrained Tweedie Matching [68.01498128172214]
本稿では,アーキテクチャに依存しない,追加のトレーニングを必要としない長大なビデオ生成のための,斬新でシンプルな推論時間アプローチを提案する。
提案手法では,隣接するウィンドウからのクリーンサンプルをemphTweedieマッチングでブレンドし,テキストbfmanifoldの制約と重複領域間の時間的一貫性を強制する。
本手法は, 時間的一貫性と視覚的品質において, トレーニング不要, 自己回帰ベースラインを両立させながら, ネイティブウィンドウ長よりも数倍長大のビデオを生成する。
論文 参考訳（メタデータ） (2026-05-20T08:55:37Z) - Accelerating Diffusion via Hybrid Data-Pipeline Parallelism Based on Conditional Guidance Scheduling [10.012655130147413]
拡散モデルは高忠実度画像、ビデオ、オーディオ生成において顕著な進歩を遂げた。
本フレームワークは,SDXLとSD3でそれぞれ2.31times$と2.07times$のレイテンシ低減を実現している。
提案手法は,高分解能合成条件下での既存の高速化手法よりも優れている。
論文 参考訳（メタデータ） (2026-02-25T10:23:07Z) - NeuralRemaster: Phase-Preserving Diffusion for Structure-Aligned Generation [88.09231548061295]
相保存拡散-PDは拡散過程のモデル非依存的な再構成である。
-PDは大きさをランダム化しながら入力フェーズを保存し、アーキテクチャ変更なしに構造整合生成を可能にする。
-PDは推論時間を追加せず、画像やビデオの拡散モデルと互換性がある。
論文 参考訳（メタデータ） (2025-12-04T18:59:18Z) - StreamDiffusionV2: A Streaming System for Dynamic and Interactive Video Generation [65.90400162290057]
生成モデルは、コンテンツの作り方、スタイル、配信方法を再定義することで、ライブストリーミング業界を変革している。
ビデオ拡散の最近の進歩は、オフライン生成のための時間的一貫性とサンプリング効率を著しく改善した。
ライブオンラインストリーミングは厳しいサービスレベル(SLO)の下で動作します。 タイム・ツー・ファーストフレームは最小限でなければなりません。
論文 参考訳（メタデータ） (2025-11-10T18:51:28Z) - Low-Latency Neural Stereo Streaming [6.49558286032794]
低レイテンシ・ニューラル for Stereo Video Streaming (LLSS) は低遅延ステレオビデオストリーミング用に設計された新しいステレオビデオ符号化法である。
LLSSは、左と右のビューを並列に処理し、レイテンシを最小化します。
論文 参考訳（メタデータ） (2024-03-26T17:11:51Z)
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。