論文の概要: CtrlCache: Accelerating Interactive Video World Models with Control-Aware Caching

• arxiv url: http://arxiv.org/abs/2610.08777v1
• Date: Tue, 06 Oct 2026 17:57:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.16229
• Title: CtrlCache: Accelerating Interactive Video World Models with Control-Aware Caching
• Title（参考訳）: CtrlCache: コントロール対応キャッシングによるインタラクティブなビデオワールドモデルの高速化
• Abstract要約: CtrlCacheは、現在の制御シーケンスに適応する、トレーニング不要なコントロール対応キャッシュフレームワークである。 モデル再トレーニングなしで1.21倍から1.41倍のDiTバックボーン高速化を実現する。
• 参考スコア（独自算出の注目度）: 24.451754687999536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interactive video world models need to generate each video chunk efficiently while responding faithfully to user controls. Many systems use chunk-wise autoregressive generation with few-step denoising, but each chunk still requires several costly denoising iterations. Training-free caching can reduce this cost, yet existing policies make reuse decisions primarily from model-internal denoising dynamics and do not explicitly account for control transitions. Actually, interactive generation explicitly exposes a signal they do not use: the controls for a chunk arrive before it is denoised, so a schedule derived from them costs no forward pass. To this end, we analyze adjacent chunks under different control regimes and find that structural similarity drops around action changes, while low-frequency structure remains more persistent than high-frequency detail. Motivated by these observations, we propose CtrlCache, a training-free control-aware caching framework that adapts computation to the current control sequence. Specifically, the action-aware scheduling and refresh policy detects action changes across and within chunks, and labels each chunk as initial, transition, turning, or steady state. At one selected interior denoising step, initial and transition chunks retain full computation, while turning and steady chunks reuse the transformer residual from the most recent fully computed step in the same chunk. To exploit the persistence of low-frequency structure during steady interaction, we further introduce a frequency-mixed history prior guidance that incorporates complementary information from the preceding clean latent without an additional DiT forward pass. Evaluated on Matrix-Game 2.0 and LingBot-World v1/v2, CtrlCache achieves 1.21x to 1.41x DiT-backbone speedups without model retraining while improving WBench Overall scores over original inference across all three models.
• Abstract（参考訳）: インタラクティブなビデオワールドモデルは、ユーザーコントロールに忠実に対応しながら、各ビデオチャンクを効率的に生成する必要がある。 多くのシステムは、数ステップのデノベーションでチャンクワイズ自動回帰生成を使用するが、各チャンクにはいくつかのコストがかかる。 トレーニング不要のキャッシュは、このコストを削減することができるが、既存のポリシーは、主にモデル内部の遅延力学から再利用決定を行い、制御遷移を明示的に説明しない。 実際、インタラクティブな生成は、使用しないシグナルを明示的に露呈する。チャンクの制御は、それが識別される前に到着するので、それらから派生したスケジュールはフォワードパスを伴わない。 この目的のために、異なる制御体制下で隣接するチャンクを解析し、低周波構造が高周波の詳細よりも持続的であるのに対して、構造的類似性は行動変化によって低下することを示した。 そこで我々は,CtrlCacheを提案する。CtrlCacheはトレーニング不要な制御対応キャッシュフレームワークで,計算を現在の制御シーケンスに適応させる。 具体的には、アクション対応のスケジューリングとリフレッシュポリシがチャンク内およびチャンク内におけるアクション変更を検出し、各チャンクを初期状態、遷移状態、回転状態、定常状態としてラベル付けする。 ある選択された内部装飾ステップでは、初期および遷移チャンクは完全な計算を保持し、一方、旋回および定常チャンクは同じチャンク内の最新の完全に計算されたステップからトランスフォーマーを再利用する。 定常相互作用における低周波構造の持続性を活用するために, 先行するクリーン潜水器の補間情報を追加のDiTフォワードパスなしで組み込んだ周波数混合履歴ガイダンスを導入する。 CtrlCacheはMatrix-Game 2.0とLingBot-World v1/v2で評価され、モデルの再トレーニングなしに1.21倍から1.41倍のDiTバックボーンのスピードアップを達成し、WBenchのスコアは3つのモデルでオリジナルの推論よりも向上した。

関連論文リスト

• DriveCache: Action-Aware Caching for Driving World Model Inference [61.07117287683939]
  拡散ベースの駆動ジェネレータは、デノナイジングステップ全体にわたって大きなバックボーンを評価し、生成スループットを制限します。 既存の拡散加速法では、このコストを削減できるが、汎用設計では、エゴ速度や計画軌道など、発生前に利用可能な駆動信号は省略される。 トレーニング不要でアクション対応のコントローラであるDriveCacheを提案する。このコントローラは,シーン間での再利用や動的プログラミングの割り当てに,調整された応答予算の下でのデノナイズステップの配置に使用する。
  論文  参考訳（メタデータ） (2026-08-17T10:04:49Z)
• Surprise Forcing: What to Remember, When to Skip in Long Video Generation [65.0022589149937]
  自己回帰拡散をストリーミングすることで、ミニスケールのビデオ合成が実用的になるが、そのコンテキスト境界と固定化スケジュールはリソースを均一に割り当てる。 我々は、両方の制限をオンラインリソース割り当て問題として扱う、トレーニング不要のフレームワークであるSurprise Forcingを紹介した。 VBench、VBench-Long、VBench-2.0の実験では、提案されたアロケーション戦略は、リアルタイムストリーミングスループットを維持しながら、長時間の一貫性と視覚的品質を改善する。
  論文  参考訳（メタデータ） (2026-07-20T18:37:58Z)
• C$^3$ache: Accelerating World Action Models with Cross Inference Chunk Cache [41.43227699724456]
  C$3$acheはトレーニング不要のメソッドで、推論チャンクにまたがって残余をキャッシュし再利用する。 Fast-WAMのバックボーンでの実験では、C$3$acheは壁時計の総推定時間で最大2.5倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2026-06-08T03:01:10Z)
• Motion-Aware Caching for Efficient Autoregressive Video Generation [73.27762884730272]
  MotionCacheは、ピクセルレベルのモーション特性の軽量プロキシとして、フレーム間の差異を利用する。 SkyReels-V2やMAGI-1のような最先端モデルの実験では、MotionCacheが大幅なスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-05-03T05:49:27Z)
• X-Cache: Cross-Chunk Block Caching for Few-Step Autoregressive World Models Inference [37.22440439525785]
  X-Cacheはトレーニング不要なアクセラレーション手法で、連続的な生成チャンクにまたがってキャッシュする。 Xキャッシュは最小の劣化を保ちながら2.6倍のウォールクロックスピードアップで71%のブロックスキップ速度を達成する。
  論文  参考訳（メタデータ） (2026-04-22T07:36:59Z)
• WorldCache: Content-Aware Caching for Accelerated Video World Models [50.7543797435026]
  我々はPerception-Constrained Dynamic CaCacheフレームワークであるtextbfWorldCacheを紹介する。 WorldCacheは、機能をいつ、どのように再利用するかを改善します。 PAI-Benchで評価されたCosmos-2.5-2Bでは、WorldCacheはtextbf$2.3times$推論スピードアップを実現し、textbf99.4%のベースライン品質を維持している。
  論文  参考訳（メタデータ） (2026-03-23T17:59:54Z)
• Flow caching for autoregressive video generation [72.10021661412364]
  自動回帰ビデオ生成に特化して設計された,最初のキャッシュフレームワークであるFlowCacheを紹介する。 本手法は,MAGI-1では2.38倍,SkyReels-V2では6.7倍,品質劣化は無視できない。
  論文  参考訳（メタデータ） (2026-02-11T13:11:04Z)
• EVCtrl: Efficient Control Adapter for Visual Generation [9.62167187199932]
  モデルを再トレーニングすることなくオーバーヘッドを削減できる軽量なプラグアンドプレイ制御アダプタであるEVCtrlを導入する。 CogVideo-Controlnet,Wan2.1-Controlnet,Fluxの実験により,本手法が訓練を必要とせずに画像および映像制御生成に有効であることを実証した。
  論文  参考訳（メタデータ） (2025-08-14T14:11:48Z)
• DeepCache: Accelerating Diffusion Models for Free [65.02607075556742]
  DeepCacheは、モデルアーキテクチャの観点から拡散モデルを加速するトレーニング不要のパラダイムである。 DeepCacheは拡散モデルのシーケンシャルなデノナイジングステップで観測される時間的冗長性に乗じている。 同じスループットで、DeepCacheはDDIMやPLMSで、事実上同等または極端に改善された結果を達成する。
  論文  参考訳（メタデータ） (2023-12-01T17:01:06Z)

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。