論文の概要: Unified Generative Video Compression with Autoregressive and Bidirectional Video Diffusion

• arxiv url: http://arxiv.org/abs/2610.13023v1
• Date: Fri, 09 Oct 2026 05:25:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.406126
• Title: Unified Generative Video Compression with Autoregressive and Bidirectional Video Diffusion
• Title（参考訳）: 自己回帰・双方向ビデオ拡散による一元的映像圧縮
• Abstract要約: ビデオ拡散モデルは、超低速度で高度に圧縮された表現から視覚的に魅力的なコンテンツを再構成することができる。 双方向(BI)モデルは、高密度のフルシーケンスアテンションを通じて高品質を実現するが、再構築前に全シーケンスを必要とし、かなりの遅延を発生させる。 自動回帰(AR)モデルは低遅延ストリーミングを実現するが、時間的制限により圧縮効率が低下する。 単一のビットストリームから2つのデコードモードをサポートするUniGVCについて述べる。
• 参考スコア（独自算出の注目度）: 16.59757172859872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video diffusion models can reconstruct visually compelling content from severely compressed representations at ultra-low bitrates, but they impose a rigid deployment trade-off. Bidirectional (BI) models achieve high quality through dense full-sequence attention, yet require the entire sequence before reconstruction and incur substantial latency. Autoregressive (AR) models enable low-delay streaming, but their restricted temporal context reduces compression efficiency. This tension is particularly relevant when a video stream must be decoded in real time yet is also stored for later, quality-oriented playback, making AR and BI models natural choices for the live and replay stages, respectively. To support both stages, we present UniGVC, a Unified Generative Video Codec that supports two decoding modes from a single bitstream. UniGVC-BI employs a BI-DiT with dense attention for quality-oriented random-access decoding, whereas UniGVC-AR uses windowed AR-DiT for low-delay streaming. Both paths share a hierarchical latent codec that recurrently produces the same conditions with ultra-low bitrates, allowing UniGVC-BI to serve as a conditional teacher for single-step distillation of UniGVC-AR. A tiny conditional video decoder further reduces streaming latency while preserving most of the reconstruction quality. On standard 1080p benchmarks, UniGVC-BI achieves the best overall rate-distortion-perception trade-off among the evaluated methods and produces temporally stable video at rates as low as 0.0005 bits per pixel. Meanwhile, UniGVC-AR remains competitive while decoding 1080p video at 36.85 FPS, over $250\times$ faster than UniGVC-BI. Code and models will be released later.
• Abstract（参考訳）: ビデオ拡散モデルは、超低ビットレートでの高度に圧縮された表現から視覚的に魅力的なコンテンツを再構成することができるが、それらは厳密な展開トレードオフを課す。 双方向(BI)モデルは、高密度のフルシーケンスアテンションを通じて高品質を実現するが、再構築前に全シーケンスを必要とし、かなりの遅延を発生させる。 自動回帰(AR)モデルは低遅延ストリーミングを実現するが、時間的制限により圧縮効率が低下する。 この緊張感は、ビデオストリームをリアルタイムにデコードしなければならないが、後で品質指向の再生のためにも保存されている場合、特に関係がある。 両ステージをサポートするために、単一のビットストリームから2つのデコードモードをサポートするUniGVC(Unified Generative Video Codec)を提案する。 UniGVC-BIはBI-DiTを使用し、品質指向のランダムアクセス復号にはBI-DiTを使用しているが、UniGVC-ARは低遅延ストリーミングにはウィンドウ付きAR-DiTを使用している。 どちらの経路も、同じ条件を超低ビットレートで繰り返し生成する階層的潜在コーデックを共有しており、UniGVC-BIはUniGVC-ARの単一段階蒸留の条件付き教師として機能する。 小型の条件付きビデオデコーダは、リコンストラクション品質の大部分を保ちながら、ストリーミングレイテンシをさらに低減する。 標準1080pのベンチマークでは、UniGVC-BIは評価手法の中で最高の総率・歪み・知覚トレードオフを達成し、時間的に安定した動画を1ピクセルあたり0.0005ビットの速度で生成する。 一方、UniGVC-ARは1080pのビデオを36.85 FPSでデコードし、250\times$はUniGVC-BIより高速である。 コードとモデルは後日リリースされる予定だ。

関連論文リスト

• ZeroGVC: Zero-Shot Generative Video Compression with Autoregressive Diffusion Priors [52.50325804778549]
  我々はゼロショット生成ビデオ圧縮フレームワークZeroGVCを提案する。 ZeroGVCは、画像群(GOP)の最初のフレームを符号化し、Codebook-Guided Autoregressive Latent Compressionを通じてその後のPフレームを表現する。 標準ビデオ圧縮ベンチマークの実験では、ZeroGVCは、追加のトレーニングを伴わずに、超低速度での知覚的再構成品質が優れたことを実証している。
  論文  参考訳（メタデータ） (2026-06-21T07:46:14Z)
• Real-Time Neural Video Compression with Unified Intra and Inter Coding [8.998142257336674]
  各フレームを1つのモデルで処理する、イントラ・インターコーディングとイントラ・コーディングを統一したNVCフレームワークを提案する。 本稿では,フレーム間冗長性を利用した2フレーム同時圧縮設計を提案する。 提案方式は,DCVC-RTを平均12.1%のBDレートで性能良くし,フレームあたりの安定性と品質を向上し,リアルタイム符号化/復号性能を維持している。
  論文  参考訳（メタデータ） (2025-10-16T08:31:44Z)
• Single-step Diffusion for Image Compression at Ultra-Low Bitrates [19.76457078979179]
  超低速度で高い知覚品質と高速デコードを実現する画像圧縮のための単一ステップ拡散モデルを提案する。 このアプローチには2つの重要なイノベーションが含まれている。 (i) ベクトル量子残留(VQ-Residual)トレーニング。 圧縮性能は最先端の手法に匹敵し,デコード速度を約50倍向上させる。
  論文  参考訳（メタデータ） (2025-06-19T19:53:27Z)
• GIViC: Generative Implicit Video Compression [11.908506692749743]
  Implicit Video Compression (GIViC) は、INRが長期依存の活用において大きな言語拡散モデルと共通する特徴に着想を得ている。 Gene Gated Linear Attention-based transformer (HGLA) もこのフレームワークに統合され、グローバルな依存性モデリングを二要素化している。 私たちが知っている限りでは、GIViCはVTMのコーディング構成を上回った最初のINRベースのビデオです。
  論文  参考訳（メタデータ） (2025-03-25T12:39:45Z)
• Benchmarking Conventional and Learned Video Codecs with a Low-Delay Configuration [11.016119119250765]
  本稿では,低遅延構成に基づく従来型および学習型ビデオ符号化手法の比較研究を行う。 その結果, YCbCr 4:2:0色空間におけるAOMおよびMPEG共通試験条件で定義された試験系列について, 公平かつ有意義な比較を行うことができた。 評価結果から,JVETのECMコーデックは,テスト対象のすべてのコーデックの中で,最高の全体的な符号化性能を提供することがわかった。
  論文  参考訳（メタデータ） (2024-08-09T12:55:23Z)
• Perceptual Learned Video Compression with Recurrent Conditional GAN [158.0726042755]
  本稿では, PVC (Perceptual Learned Video Compression) アプローチを提案する。 PLVCは低ビットレートで映像を知覚品質に圧縮することを学ぶ。 ユーザスタディでは、最新の学習ビデオ圧縮手法と比較して、PLVCの優れた知覚性能をさらに検証している。
  論文  参考訳（メタデータ） (2021-09-07T13:36:57Z)
• Conditional Entropy Coding for Efficient Video Compression [82.35389813794372]
  本稿では,フレーム間の条件エントロピーをモデル化することのみに焦点を当てた,非常にシンプルで効率的なビデオ圧縮フレームワークを提案する。 まず、画像遅延符号間のエントロピーをモデル化する単純なアーキテクチャが、他のニューラルビデオ圧縮やビデオコーデックと同等の競争力を持つことを示す。 次に、このアーキテクチャの上に新しい内部学習拡張を提案し、復号速度を抑えることなく10%の節約を実現した。
  論文  参考訳（メタデータ） (2020-08-20T20:01:59Z)
• Learning for Video Compression with Hierarchical Quality and Recurrent Enhancement [164.7489982837475]
  本稿では,階層型ビデオ圧縮(HLVC)手法を提案する。 我々のHLVCアプローチでは、エンコーダ側とデコーダ側の低品質フレームの圧縮と強化を容易にするため、階層的品質は符号化効率の恩恵を受ける。
  論文  参考訳（メタデータ） (2020-03-04T09:31:37Z)

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。