論文の概要: TGuide: Faster Autoregressive Video Diffusion via Historical Trajectory Guidance

• arxiv url: http://arxiv.org/abs/2610.14657v1
• Date: Sat, 10 Oct 2026 07:16:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 12:25:16.114597
• Title: TGuide: Faster Autoregressive Video Diffusion via Historical Trajectory Guidance
• Title（参考訳）: TGuide: 歴史的軌道誘導によるより高速な自動回帰ビデオ拡散
• Abstract要約: 本稿では,Anchor-Transport-Correct(ATC)予測器を通じて自動回帰ビデオ拡散を高速化するフレームワークであるTGuideを紹介する。 現在のチャンクの前段特徴は空間構造を保ち、前のチャンクの同段特徴は目標認知段階の情報を提供する。 Self Forcing、Causal Forcing、HY-WorldPlayの実験では、TGuideは生成品質を保ちながら、オリジナルの4ステップジェネレータよりも最大1.89タイムの速度アップを実現している。
• 参考スコア（独自算出の注目度）: 69.22347589094333
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can autoregressive video diffusion be accelerated further when only four denoising steps remain? Existing feature caching approaches struggle in this regime, as large feature changes between denoising timesteps undermine both direct reuse and lightweight predictors. We observe that features across video chunks remain strongly correlated at matching denoising timesteps, offering a complementary source of guidance. Building on this insight, we introduce TGuide, a framework that accelerates autoregressive video diffusion through a lightweight Anchor-Transport-Correct (ATC) predictor guided by historical sampling trajectories. Our ATC combines two complementary references: the current chunk's preceding-step features preserve its spatial structure, while the previous chunk's same-timestep features provide information at the target denoising stage. By integrating these references through spatial retrieval and adaptive correction, ATC improves velocity prediction accuracy despite the large gaps between denoising steps. To mitigate error accumulation across both denoising steps and video chunks, we train the predictor on its own autoregressive rollouts, allowing it to adapt to states shaped by its own earlier predictions. An optional confidence-aware scheduler further adjusts the quality-efficiency trade-off. Experiments on Self Forcing, Causal Forcing, and HY-WorldPlay show that TGuide preserves generation quality while achieving denoising speedups of up to $1.89\times$ over the original 4-step generators. On Self Forcing, TGuide generalizes from 81-frame training videos to 333-frame generation, approximately four times the training length, while exceeding the original model's VBench score.
• Abstract（参考訳）: 自己回帰的ビデオ拡散は4ステップしか残っていない場合にさらに加速できるのか? 既存の機能キャッシングアプローチは、直接的な再利用と軽量な予測の両方を損なうため、この体制で苦労している。 我々は,ビデオチャンクにまたがる特徴が,相補的な指導源として認知の時間ステップの一致に強く相関していることを観察した。 本稿では,この知見に基づいて,Anchor-Transport-Correct(ATC)予測器による自動回帰ビデオ拡散を加速するフレームワークであるTGuideを紹介する。 現在のチャンクの前段特徴は空間構造を保ち、前のチャンクの同段特徴は目標認知段階の情報を提供する。 これらの参照を空間的検索と適応補正を通じて統合することにより、ATCはデノナイジングステップ間の大きなギャップにもかかわらず、速度予測精度を向上させる。 ステップとビデオチャンクの両方でエラーの蓄積を緩和するため、予測器を自己回帰的なロールアウトでトレーニングし、それ以前の予測で形成された状態に適応できるようにします。 オプションの信頼性対応スケジューラは、品質効率トレードオフを更に調整する。 Self Forcing、Causal Forcing、HY-WorldPlayの実験では、TGuideは生成品質を保ちながら、オリジナルの4ステップジェネレータよりも最大1.89\times$のデノイング速度を実現している。 セルフフォースでは、TGuideは81フレームのトレーニングビデオから333フレームのトレーニングビデオへと一般化し、トレーニングの長さはオリジナルのモデルのVBenchスコアの約4倍である。

関連論文リスト

• Heuristics are Not Enough: Calibrated and Corrected Caching for Video Diffusion Acceleration [9.021039155526394]
  textbfAlignCacheはクローズドループキャッシュフレームワークで、スケジューリング決定と最終生成ビデオに対する真の影響を一致させる。 静的リスクアキュムレータからフィードバック駆動の自己修正コントローラにスケジュールを変換することにより、AlignCacheは最先端のビデオ生成モデル間での優れたアクセラレーション品質のトレードオフを一貫して達成する。
  論文  参考訳（メタデータ） (2026-10-12T10:28:47Z)
• DSAQuant: Denoising-Stage-Aligned Quantization-Aware Training for Video Generation [64.0912100506603]
  ビデオ拡散モデル(VDM)は、テキスト・ビデオ生成において顕著な進歩を遂げているが、その高メモリと計算コストは、実用的な展開を妨げる。 本稿では,VDMのためのDSAQuantを提案する。
  論文  参考訳（メタデータ） (2026-09-03T16:09:25Z)
• 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)
• Muninn: Your Trajectory Diffusion Model But Faster [4.221836692945716]
  拡散に基づく軌道プランナーは、リッチでマルチモーダルなロボットの動きを合成できるが、反復的なデノベーションは、オンラインの計画と制御を違法に遅くする。 本研究では,モデルの再学習や軌道品質の犠牲を伴わずに,ロボットのリアルタイム使用に十分な速度で拡散型軌道プランナを構築するという課題に対処する。 Muninnは、タスクのパフォーマンスと安全性の指標を保ちながら、デノイザの評価を減らし、複数の軌道拡散モデルで最大4.6倍のウォールタイムのスピードアップを提供する。
  論文  参考訳（メタデータ） (2026-05-11T05:21:52Z)
• Stream-T1: Test-Time Scaling for Streaming Video Generation [30.575612184373025]
  Stream-T1は、ストリーミングビデオ生成専用の総合的なテスト時間スケーリングフレームワークである。 5sと30sの総合的なビデオベンチマークで評価すると、Stream-T1は大きな優位性を示している。
  論文  参考訳（メタデータ） (2026-05-06T03:40:05Z)
• 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)
• Predict to Skip: Linear Multistep Feature Forecasting for Efficient Diffusion Transformers [10.751183015853863]
  拡散変換器(DiT)は高忠実度画像とビデオ生成のバックボーンとして広く採用されている。 線形多段階問題として特徴予測を定式化する,トレーニング不要なアクセラレーションフレームワークである textbfPrediT を提案する。 提案手法は,DiTベースの画像およびビデオ生成モデル間で最大5.54タイムのレイテンシ低減を実現し,品質劣化を生じさせる。
  論文  参考訳（メタデータ） (2026-02-20T09:33:59Z)
• Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion [67.94300151774085]
  本稿では,自己回帰ビデオ拡散モデルのための新しい訓練パラダイムであるSelf Forcingを紹介する。 露光バイアスの長年の問題に対処し、地道的な文脈で訓練されたモデルは、自身の不完全な出力で条件付けられたシーケンスを生成する必要がある。
  論文  参考訳（メタデータ） (2025-06-09T17:59:55Z)

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。