論文の概要: SGF+: Decoupling Gradient Flows for Autoregressive Video Generation

• arxiv url: http://arxiv.org/abs/2610.10429v2
• Date: Thu, 08 Oct 2026 17:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.552172
• Title: SGF+: Decoupling Gradient Flows for Autoregressive Video Generation
• Title（参考訳）: SGF+: 自動回帰ビデオ生成のためのグラディエントフローの分離
• Abstract要約: 自動回帰ビデオ生成は、将来の予測のコンテキストとしてキー値表現を記述しながら、現在のフレームを復調する必要がある。 我々はSGF+(Self Gradient Forcing Plus)を導入し、因果的注意を通したインタラクションを保ちながら、コンテキスト記述と記述に個別のパラメータを割り当てる。
• 参考スコア（独自算出の注目度）: 83.4960375011416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoregressive video generation requires denoising the current frames while writing their key-value representations as context for future predictions. However, these two roles typically share parameters, and we find that their gradients exhibit distinct patterns and systematic negative alignment, hindering the joint optimization of visual quality and temporal consistency. We introduce Self Gradient Forcing Plus (SGF+), which assigns separate parameters to context writing and denoising while preserving their interaction through causal attention. Both roles are jointly optimized using the original generation objective without auxiliary losses, with context writing supervised through its contribution to future predictions. This simple change improves visual quality and long-horizon consistency over the evaluated baselines in both framewise and chunkwise generation, without additional video training data or a longer training horizon. Trained on only 5s rollouts, SGF+ supports continuous generation for up to 24 hours without long-video fine-tuning. These results highlight role-specific parameterization as an effective design principle for high-quality autoregressive video generation and native long-horizon extrapolation.
• Abstract（参考訳）: 自動回帰ビデオ生成は、将来の予測のコンテキストとしてキー値表現を記述しながら、現在のフレームを復調する必要がある。 しかし、これらの2つの役割は一般的にパラメータを共有しており、それらの勾配は異なるパターンと系統的な負のアライメントを示し、視覚的品質と時間的一貫性の同時最適化を妨げる。 我々はSGF+(Self Gradient Forcing Plus)を導入し、因果的注意を通したインタラクションを保ちながら、コンテキスト記述と記述に個別のパラメータを割り当てる。 どちらの役割も、補助的な損失を伴わずに元の世代目標を用いて共同最適化され、将来の予測への貢献を通じてコンテキスト記述が監督される。 この単純な変更は、追加のビデオトレーニングデータやより長いトレーニング水平線なしで、フレームワイドとチャンクワイドの両方で評価されたベースラインに対する視覚的品質と長期的一貫性を改善する。 わずか5秒のロールアウトでトレーニングされたSGF+は、長時間の微調整なしで、最大24時間連続生成をサポートする。 これらの結果は、高品質な自己回帰ビデオ生成とネイティブな長軸外挿のための効果的な設計原理として、役割特異的なパラメータ化を強調した。

関連論文リスト

• Self Gradient Forcing: Native Long Video Extrapolation [60.00513917489133]
  自己グラディエント強制は、歴史的文脈-段階的ギャップを回復する。 コードとモデルがリリースされ、自動回帰ビデオ生成の研究が進められる。
  論文  参考訳（メタデータ） (2026-07-22T16:59:23Z)
• Retrieval, Refinement, and Ranking for Text-to-Video Generation via Prompt Optimization and Test-Time Scaling [1.6671050178877669]
  大規模なデータセットは、Text-to-Video(T2V)生成モデルに大きな進歩をもたらした。 ビデオ出力を改善する現在の方法は、しばしば不足する。 RAGベースの新しいプロンプト最適化フレームワークである3Rを導入する。
  論文  参考訳（メタデータ） (2026-03-02T06:35:59Z)
• LoViC: Efficient Long Video Generation with Context Compression [68.22069741704158]
  百万単位のオープンドメインビデオに基づいてトレーニングされたDiTベースのフレームワークであるLoViCを紹介する。 当社のアプローチの核心はFlexFormerです。ビデオとテキストを統合された潜在表現に共同で圧縮する表現型オートエンコーダです。
  論文  参考訳（メタデータ） (2025-07-17T09:46:43Z)
• InfLVG: Reinforce Inference-Time Consistent Long Video Generation with GRPO [73.33751812982342]
  InfLVGは、追加のロングフォームビデオデータを必要としないコヒーレントなロングビデオ生成を可能にする推論時フレームワークである。 InfLVGはビデオ長を最大9$times$まで拡張でき、シーン間の一貫性とセマンティック忠実性を実現することができる。
  論文  参考訳（メタデータ） (2025-05-23T07:33:25Z)
• RAP: Efficient Text-Video Retrieval with Sparse-and-Correlated Adapter [77.0205013713008]
  Text-Video Retrieval (TVR)は、関連するビデオコンテンツと自然言語クエリを連携させることを目的としている。 現在までに、ほとんどの最先端のTVR手法は、大規模な事前学習された視覚モデルに基づいて、画像からビデオへの変換学習を学習している。 パラメータ化層数で事前学習モデルの微調整を行うためのスパース・アンド・コラージュAdaPter (RAP) を提案する。
  論文  参考訳（メタデータ） (2024-05-29T19:23:53Z)

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。