論文の概要: PreCoG: Preview-Edit for Efficient Video Correction in Generation-Time

• arxiv url: http://arxiv.org/abs/2610.13174v1
• Date: Fri, 09 Oct 2026 08:01:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.463555
• Title: PreCoG: Preview-Edit for Efficient Video Correction in Generation-Time
• Title（参考訳）: PreCoG: ジェネレーションタイムでの効率的なビデオ補正のためのプレビュー編集
• Abstract要約: ビデオ生成時に意味障害を修正するための反復的フレームワークであるPreCoGを紹介する。 PreCoGは選択した候補に対してのみ生成を完了し、キャッシュされた軌道を再利用して冗長な計算を減らす。 実験の結果、PreCoG は VBench と T2V-CompBench の最高スコアを達成し、VSR の主要な VS2 スコアを0.56times の推論時間に近づいた。
• 参考スコア（独自算出の注目度）: 13.31686166356653
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Iterative text-to-video generation relies on feedback to correct compositional and temporal failures. However, existing methods typically require another full generation run for each correction, repeating computation and potentially disrupting already correct content. We introduce PreCoG, an iterative framework for correcting semantic failures during video generation. PreQA diagnoses failures from low-cost previews and constructs corrective conditions, while PreEdit edits cached generation trajectories under these conditions, attenuating orthogonal changes to limit disruption of already correct content. PreCoG completes generation only for the selected candidate, reusing its cached trajectory to reduce redundant computation and help preserve semantic consistency between the preview and the final video. Experiments show that PreCoG achieves the highest VBench and T2V-CompBench scores and approaches VSR's leading VS2 score at $0.56\times$ its inference time. It also outperforms GENMAC on all three quality and alignment metrics at $0.86\times$ its inference time.
• Abstract（参考訳）: 反復的なテキスト・ビデオ生成は、構成的および時間的故障を修正するためにフィードバックに依存する。 しかし、既存のメソッドは、通常、修正ごとに別のフルジェネレーション実行を必要とし、計算を繰り返し、既に正しいコンテンツを中断する可能性がある。 ビデオ生成時に意味障害を修正するための反復的フレームワークであるPreCoGを紹介する。 PreQAは、低コストのプレビューからの障害を診断し、修正条件を構築する一方、PreEditは、これらの条件下でキャッシュされた生成トラジェクトリを編集し、既に正しいコンテンツの破壊を制限するために直交変化を減衰させる。 PreCoGは選択した候補に対してのみ生成を完了し、キャッシュされた軌跡を再利用して冗長な計算を削減し、プレビューと最終ビデオ間のセマンティック一貫性を維持する。 実験の結果、PreCoG は VBench と T2V-CompBench の最高スコアを達成し、VSR の主要な VS2 スコアを0.56\times$ その推論時間に近づいた。 また、GENMACを3つの品質およびアライメントの指標で0.86\times$その推論時間で上回っている。

関連論文リスト

• Test-Time Scaling for Video Diffusion Models via Diagnosis-Guided Candidate Recycling [33.61736033562169]
  textbfGEARS (textbfGuided textbfEditing for textbfRecycling textbfSearch) は,テキスト誘導型候補リサイクルをビデオTSに導入したトレーニングフリーフレームワークである。
  論文  参考訳（メタデータ） (2026-08-29T15:08:31Z)
• From Editor to Dense Geometry Estimator [77.21804448599009]
  密度幾何予測のための拡散変換器(DiT)アーキテクチャに基づく高度な編集モデルを適用するフレームワークである textbfFE2E を紹介する。 FE2EはETH3Dデータセットで35%以上のパフォーマンス向上を実現し、100$times$データでトレーニングされたDepthAnythingシリーズを上回っている。
  論文  参考訳（メタデータ） (2025-09-04T15:58:50Z)
• Vid-Morp: Video Moment Retrieval Pretraining from Unlabeled Videos in the Wild [30.99346916414286]
  本稿では,アノテーションのコスト削減のための新しいパラダイムを提案する。 不完全な疑似アノテーションの直接事前学習は、不一致の文-ビデオペアや不正確な時間境界など、重大な課題を呈する。 本稿では,セマンティックス誘導の洗練とメモリ・コンセンサス補正の2つの相からなるReCorrectアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-01T13:49:21Z)
• RIGID: Recurrent GAN Inversion and Editing of Real Face Videos [73.97520691413006]
  GANのインバージョンは、実画像に強力な編集可能性を適用するのに不可欠である。 既存のビデオフレームを個別に反転させる手法は、時間の経過とともに望ましくない一貫性のない結果をもたらすことが多い。 我々は、textbfRecurrent vtextbfIdeo textbfGAN textbfInversion and etextbfDiting (RIGID) という統合されたリカレントフレームワークを提案する。 本フレームワークは,入力フレーム間の固有コヒーレンスをエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2023-08-11T12:17:24Z)
• TVTSv2: Learning Out-of-the-box Spatiotemporal Visual Representations at Scale [59.01246141215051]
  言語指導の観点から,その劣化要因を分析した。 本稿では,テキストエンコーダの一般化能力を維持するために,教師なし事前学習戦略を提案する。 最大10億のパラメータを持つTVTSv2と呼ばれる一連のモデルを作成します。
  論文  参考訳（メタデータ） (2023-05-23T15:44:56Z)
• Transform-Equivariant Consistency Learning for Temporal Sentence Grounding [66.10949751429781]
  ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。 私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。 特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
  論文  参考訳（メタデータ） (2023-05-06T19:29:28Z)
• AuxAdapt: Stable and Efficient Test-Time Adaptation for Temporally Consistent Video Semantic Segmentation [81.87943324048756]
  ビデオセグメンテーションでは、フレーム間で時間的に一貫した結果を生成することは、フレームワイドの精度を達成するのと同じくらい重要である。 既存の方法は、時間的整合性を達成するために、テストデータによる光フローの正則化や微調整に依存している。 本稿では、ほとんどのニューラルネットワークモデルの時間的一貫性を改善するために、効率的で直感的で教師なしのオンライン適応手法であるAuxAdaptを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:07:41Z)

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。