論文の概要: Streaming-Aware Diffusion for Real-Time Video Super-Resolution via Cross-Step Attention

• arxiv url: http://arxiv.org/abs/2610.11746v1
• Date: Thu, 08 Oct 2026 11:35:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.983142
• Title: Streaming-Aware Diffusion for Real-Time Video Super-Resolution via Cross-Step Attention
• Title（参考訳）: クロスステップ注意によるリアルタイムビデオ超解像のストリーミング対応拡散
• Abstract要約: リアルタイムビデオの超解像には、厳密なレイテンシ制約の下での時間的忠実さが要求される。 本稿では,事前学習した単一画像の遅延拡散モデルを適用し,効率的なビデオ超解像を実現するためのストリーミング対応フレームワークを提案する。 本手法は冷間開始後の512倍の解像度で40FPS以上を達成し,時空間モデリングを伴わないリアルタイムVSRを実現する。
• 参考スコア（独自算出の注目度）: 4.529111868161881
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time video super-resolution requires high spatio-temporal fidelity under strict latency constraints, challenging diffusion models due to their iterative sampling cost and limited temporal coordination. We propose a streaming-aware framework that adapts pretrained single-image latent diffusion models for efficient video super-resolution (VSR) by exploiting the sequential structure of video streams. Our Cross-Step Attention mechanism reuses intermediate denoising features across adjacent frames and diffusion steps, enabling temporal information exchange without explicit temporal modeling. We further introduce Trajectory-Coupled Diffusion Scheduling, which aligns adjacent diffusion states and provides cleaner intermediate representations for cross-step conditioning, improving temporal coherence. These components are integrated into a streaming inference pipeline that incrementally propagates latent states across frames, reducing the effective computational complexity from $O(N \cdot S)$ to $O(N + S)$ for $N$ frames and $S$ diffusion steps. Experiments on REDS4 and YouHQ40-Test demonstrate improved perceptual quality and temporal realism while maintaining frame-wise stability. Our method achieves over 40 FPS at $512 \times 512$ resolution after cold start, enabling real-time VSR without explicit temporal modeling.
• Abstract（参考訳）: リアルタイムビデオ超解像には、厳密なレイテンシ制約の下での時空間忠実度が高く、反復サンプリングコストと時間調整の制限により拡散モデルに挑戦する必要がある。 本稿では,ビデオストリームの逐次構造を利用して,事前学習した単一画像遅延拡散モデルを用いて,効率的なビデオ超解像(VSR)を実現するストリーミング対応フレームワークを提案する。 我々のクロスステップ・アテンション機構は,隣接するフレームと拡散ステップをまたいだ中間的認知機能を再利用し,時間的情報交換を明示的な時間的モデリングなしで実現している。 さらに、隣接拡散状態の整列化と、ステップ間条件付けのためのよりクリーンな中間表現を提供し、時間的コヒーレンスを改善したトラジェクトリ結合拡散スケジューリングを導入する。 これらのコンポーネントはストリーミング推論パイプラインに統合され、フレーム間で遅延状態が漸進的に伝播し、効率的な計算複雑性を$O(N \cdot S)$から$O(N + S)$に還元する。 REDS4とYouHQ40-Testの実験では、フレームの安定性を維持しながら知覚品質と時間的リアリズムが改善された。 提案手法は, 512 \times 512$で40FPS以上を達成し, 時空間モデルなしで実時間VSRを実現する。

関連論文リスト

• Bridging Event Streams and DiT: Event-Guided Video Frame Interpolation [75.95737622994548]
  イベントカメラは、時間的ギャップを埋めるのに適した高解像度モーションキューを提供する。 本稿では,イベント由来のキューを事前学習した画像間拡散モデルに組み込むアダプタベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T04:47:44Z)
• DSA: Dynamic Step Allocation for Fast Autoregressive Video Generation [24.843472730316503]
  ビデオ拡散トランスフォーマーは最先端の視覚的品質を達成したが、その高い推論コストは、リアルタイムアプリケーションにとって大きなボトルネックであり続けている。 本稿では、ARビデオ拡散のための信頼性誘導適応フレームワークであるDSAを提案する。
  論文  参考訳（メタデータ） (2026-06-03T04:25:11Z)
• D$^2$-VR: Degradation-Robust and Distilled Video Restoration with Synergistic Optimization Strategy [7.553742541566094]
  時間的アライメントと拡散前処理の統合は ビデオ復元の 変革的パラダイムとして現れました 素晴らしい知覚の質を提供しています 単一画像拡散に基づく低ステップ推論によるビデオ再生フレームワークである textbfD$2$-VR を提案する。
  論文  参考訳（メタデータ） (2026-02-09T08:52:51Z)
• 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)
• LiftVSR: Lifting Image Diffusion to Video Super-Resolution via Hybrid Temporal Modeling with Only 4$\times$RTX 4090s [16.456543112614586]
  拡散モデルは、知覚品質を向上させることによって高度なビデオ超解像(VSR)を持つ。 本稿では、PixArt-$alpha$に先立って画像の拡散を緩和し、最先端の結果を得るための効率的なVSRフレームワークLiftVSRを提案する。 いくつかの典型的なVSRベンチマークの実験では、LiftVSRは計算コストを大幅に削減して優れた性能を発揮することが示されている。
  論文  参考訳（メタデータ） (2025-06-10T07:49:33Z)
• UltraVSR: Achieving Ultra-Realistic Video Super-Resolution with Efficient One-Step Diffusion Space [46.43409853027655]
  拡散モデルは、現実的な画像の詳細を生成する大きな可能性を示している。 これらのモデルをビデオ超解像(VSR)に適応させることは、その性質と時間的モデリングの欠如により、依然として困難である。 我々は,超現実的で時間的に整合したVSRを,効率的なワンステップ拡散空間で実現するための新しいフレームワークであるUltraVSRを提案する。
  論文  参考訳（メタデータ） (2025-05-26T13:19:27Z)
• StreamDiffusion: A Pipeline-level Solution for Real-time Interactive Generation [52.56469577812338]
  本稿では,インタラクティブな画像生成のためのリアルタイム拡散パイプラインStreamDiffusionを紹介する。 既存の拡散モデルは、テキストや画像プロンプトから画像を作成するのに適しているが、リアルタイムのインタラクションでは不足することが多い。 本稿では,従来のシーケンシャル・デノナイジングをデノナイジング・プロセスに変換する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-19T18:18:33Z)
• Upscale-A-Video: Temporal-Consistent Diffusion Model for Real-World Video Super-Resolution [65.91317390645163]
  Upscale-A-Videoは、ビデオアップスケーリングのためのテキストガイド付き遅延拡散フレームワークである。 ローカルでは、一時的なレイヤをU-NetとVAE-Decoderに統合し、短いシーケンス内で一貫性を維持する。 また、テキストプロンプトによってテクスチャ生成と調整可能なノイズレベルをガイドし、復元と生成のバランスを取ることで、柔軟性も向上する。
  論文  参考訳（メタデータ） (2023-12-11T18:54:52Z)
• Intrinsic Temporal Regularization for High-resolution Human Video Synthesis [59.54483950973432]
  時間整合性は、画像処理パイプラインをビデオドメインに拡張する上で重要である。 フレームジェネレーターを介して本質的信頼度マップを推定し,運動推定を調節する,本質的な時間正規化方式を提案する。 我々は、本質的な時間的規制をシングルイメージジェネレータに適用し、強力な「Internet」が512Times512$の人間のアクションビデオを生成します。
  論文  参考訳（メタデータ） (2020-12-11T05:29:45Z)

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。