論文の概要: ForcingBooster: Adaptive Patch-wise Denoising for Fast Autoregressive Video Diffusion
- arxiv url: http://arxiv.org/abs/2610.12625v1
- Date: Thu, 08 Oct 2026 18:45:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.252165
- Title: ForcingBooster: Adaptive Patch-wise Denoising for Fast Autoregressive Video Diffusion
- Title（参考訳）: ForcingBooster: 高速自動回帰ビデオ拡散のための適応的パッチワイドデノーミング
- Abstract要約: 個々のパッチに対して動的にデノベーションステップを割り当てるフレームワークである methodname を導入する。
簡単なパッチは、効率を改善するために早期に停止するが、難しいパッチはより洗練されたステップを受ける。
提案手法は,既存の数段階自己回帰拡散モデルと互換性があり,適度なトレーニングを施した軽量なルーティングモジュールのみを必要とする。
- 参考スコア（独自算出の注目度）: 26.965753603494033
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autoregressive video diffusion models have become a leading approach to real-time interactive video generation and video world modeling. However, existing methods typically allocate computation uniformly across space when generating the next video chunk, updating all patches with the same denoising schedule and number of function evaluations. This ignores the spatial heterogeneity of video content: static, simple, or recurring regions are often easier to denoise, while other regions require further refinement or additional context. A uniform budget thus leads to redundant computation on easy patches, whereas reducing the fixed step count can leave difficult patches insufficiently refined. We introduce \methodname{}, a general framework that dynamically allocates denoising steps to individual patches: easy patches stop early to improve efficiency, while difficult patches receive more refinement steps. This design accelerates generation with negligible quality degradation. Our method is compatible with most existing few-step autoregressive diffusion models, requiring only a lightweight routing module with modest training. Experiments demonstrate that \methodname{} reduces the total number of denoising steps applied across video patches by about 50\% while maintaining visual quality comparable to the four-step baseline.
- Abstract（参考訳）: 自動回帰ビデオ拡散モデルは、リアルタイムなインタラクティブビデオ生成とビデオワールドモデリングにおいて主要なアプローチとなっている。
しかしながら、既存の手法は、通常、次のビデオチャンクを生成する際に、空間全体にわたって計算を均一に割り当て、全てのパッチを同じ遅延スケジュールと関数の評価数で更新する。
これは、ビデオコンテンツの空間的不均一性を無視している: 静的、単純、または繰り返しの領域は、しばしば識別しやすく、他の領域は、さらなる改善や追加のコンテキストを必要とする。
したがって、均一な予算は、容易なパッチに対する冗長な計算につながるが、固定されたステップ数を減らすことで、難解なパッチを十分に洗練させることができる。
私たちは、個々のパッチに対して動的にデノイングステップを割り当てる一般的なフレームワークである、‘methodname{}’を紹介します。
この設計は、無視できる品質劣化で生成を加速する。
提案手法は,既存の数段階自己回帰拡散モデルと互換性があり,適度なトレーニングを施した軽量なルーティングモジュールのみを必要とする。
実験によると、‘methodname{}’は4段階のベースラインに匹敵する視覚的品質を維持しながら、ビデオパッチ全体に適用されるデノイングステップの総数を約50%削減する。
関連論文リスト
- 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) - RhymeFlow: Training-Free Acceleration for Video Generation with Asynchronous Denoising Flow Scheduling [51.279397568734424]
Diffusion Transformers (DiTs) に基づく映像生成モデルは,映像合成において顕著な性能を発揮している。
DiTは3次元の注意の二次的な複雑さのために、高い推論遅延と計算コストに悩まされる。
我々はbftextRhymeFlowを紹介した。bftextRhymeFlowはトレーニング不要のフレームワークで、異なるフレームの認知軌道を分離する。
論文 参考訳（メタデータ） (2026-06-04T15:49:37Z) - Denoising, Fast and Slow: Difficulty-Aware Adaptive Sampling for Image Generation [22.05381528577716]
拡散とフローベースのモデルは通常、空間にわたって計算を均一に割り当てる。
一部の地域は軽蔑し易いが、他の地域はより洗練や追加の文脈の恩恵を受ける。
画像合成のためのパッチレベルのノイズ尺度について検討する。
論文 参考訳（メタデータ） (2026-04-21T06:44:44Z) - Accelerating Diffusion-based Video Editing via Heterogeneous Caching: Beyond Full Computing at Sampled Denoising Timestep [37.62908191585867]
HetCacheは、ビデオ・ツー・ビデオ(MV2V)の生成と編集のためのトレーニング不要な拡散加速フレームワークである。
編集の一貫性と忠実さを維持しながら、冗長な注意操作を低減する。
実験によると、HetCacheは2.67$times$レイテンシのスピードアップやFLOPの削減など、目立った加速を実現している。
論文 参考訳（メタデータ） (2026-03-25T12:53:31Z) - Streaming Autoregressive Video Generation via Diagonal Distillation [50.13573884115673]
自己回帰モデルは、シーケンシャルフレーム合成のための自然なフレームワークを提供するが、高い忠実性を達成するためには重い計算を必要とする。
ビデオチャンクとデノイングステップの時間的情報を活用するために,ダイアゴナル蒸留を提案する。
本手法は,2.61秒(最大31FPS)で5秒ビデオを生成し,未蒸留モデル上で277.3倍のスピードアップを実現する。
論文 参考訳（メタデータ） (2026-03-10T10:45:24Z) - DDiT: Dynamic Patch Scheduling for Efficient Diffusion Transformers [6.406853903837331]
Diffusion Transformer (DiTs) は画像およびビデオ生成において最先端のパフォーマンスを達成したが、その成功は重い計算コストが伴う。
動的トークン化(Dynamic tokenization)は,コンテントの複雑さと遅延時間に基づいて,パッチサイズを変化させる効率的なテストタイム戦略である。
提案手法は,画像生成と映像生成の段階でパッチサイズを動的に再配置し,知覚的生成品質を保ちながらコストを大幅に削減する。
論文 参考訳（メタデータ） (2026-02-19T00:15:20Z) - LiteAttention: A Temporal Sparse Attention for Diffusion Transformers [1.3471268811218626]
LiteAttentionは時間的コヒーレンスを利用して、デノナイジングシーケンスを横断する進化的計算スキップを可能にする。
我々はFlashAttention上に高度に最適化されたLiteAttentionカーネルを実装し、プロダクションビデオ拡散モデルにかなりのスピードアップを示す。
論文 参考訳（メタデータ） (2025-11-14T08:26:55Z) - Sliding Window Attention for Learned Video Compression [67.57073402826292]
本研究は3D Sliding Window Attention (SWA)を導入している。
Bjorntegaard Delta-rate saves to up 18.6% %。
論文 参考訳（メタデータ） (2025-10-04T20:11:43Z) - Towards More Accurate Diffusion Model Acceleration with A Timestep Tuner [112.99126045081046]
数千のデノナイジングステップを用いて画像を生成するために定式化された拡散モデルは通常、遅い推論速度に悩まされる。
最小コストで特定の区間に対してより正確な積分方向を求めるのに役立つtextbftimestep tunerを提案する。
実験により,我々のプラグイン設計を効率的に訓練し,様々な最先端加速度法の推論性能を向上できることが示された。
論文 参考訳（メタデータ） (2023-10-14T02:19:07Z)
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。