論文の概要: AcrossVAM2.0: Conflict-Aware Point Supervision for Parameter-Efficient Video Diffusion Adaptation
- arxiv url: http://arxiv.org/abs/2610.14693v1
- Date: Sat, 10 Oct 2026 08:12:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.089867
- Title: AcrossVAM2.0: Conflict-Aware Point Supervision for Parameter-Efficient Video Diffusion Adaptation
- Title（参考訳）: AcrossVAM2.0: パラメータ効率のよいビデオ拡散適応のための衝突点シミュレーション
- Abstract要約: ビデオジェネレータに適応するためには、明示的な点対応が魅力的である。
我々はこのテンションを5.01Bパラメータのテキスト・ビデオ拡散変換器で研究する。
ACROSSVAM2.0は、信頼性の高いトラック・アンド・ビジュアライゼーションヘッド、ゼロd残差フィードバック、非対称PCGradを組み合わせたものである。
- 参考スコア（独自算出の注目度）: 7.12251554131085
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Explicit point correspondence is attractive for adapting video generators: it describes how visible surfaces move, but can overwrite the appearance prior learned by a large pretrained model. We study this tension in a 5.01B-parameter text-to-video diffusion transformer. ACROSSVAM2.0 combines a confidence-weighted track-and-visibility head, zero-initialized residual feedback, and asymmetric PCGrad that removes only the auxiliary component opposing the primary flow-matching gradient on shared LoRA parameters. The design preserves the generator exactly at initialization and protects its primary update during adaptation. In a four-way ablation trained for 1,000 steps with three independent seeds, the full method lowers KLT forward-backward cycle error in all three seeds relative to a matched flow-only continuation (mean seed-level difference -0.00711, SD 0.00505), while robust sharpness remains positive in all three. An expanded 24-prompt evaluation (216 videos) yields 9.7% lower aggregate CoTracker3 cycle error than the matched control and near-matched performance on six VBench dimensions; however, the seed-level tracking effect is heterogeneous and I3D-FVD regresses from 0.1824 to 0.2022. These results support a bounded claim: conflict-aware adaptation improves correspondence consistency without broad perceptual degradation, but does not uniformly improve video quality. We release equations, pseudocode, matched outputs, source tables, and artifact provenance.
- Abstract（参考訳）: 視覚的な表面がどのように動くかを記述するが、大きな事前訓練されたモデルで学習された外観を上書きすることができる。
我々はこのテンションを5.01Bのテキスト・ビデオ拡散変換器で研究する。
ACROSSVAM2.0は、信頼度重み付きトラック・アンド・ビジュアライゼーションヘッド、ゼロ初期化残差フィードバック、および共有LoRAパラメータの一次フローマッチング勾配に反する補助成分のみを除去する非対称PCGradを組み合わせる。
この設計は、初期化時にジェネレータを正確に保存し、適応中に最初の更新を保護する。
3つの独立した種子で1000段階の訓練を受けた4方向アブレーションにおいて、フルメソッドは、一致したフローのみの継続(種子レベルの差-0.00711, SD 0.00505)に対して、KLTの前後のサイクル誤差を下げる一方、強靭なシャープネスは3つとも正である。
拡張された24プロンプト評価(216ビデオ)では、一致した制御値よりも9.7%低い集合CoTracker3サイクル誤差と6つのVBench次元でのほぼ一致した性能が得られるが、シードレベルの追跡効果は不均一であり、I3D-FVDの回帰は0.1824から0.2022である。
コンフリクト・アウェア・アダプションは広義の知覚的劣化を伴わずに対応性を向上するが、映像品質は均一に改善しない。
方程式、擬似コード、一致した出力、ソーステーブル、アーティファクトの出力をリリースします。
関連論文リスト
- PotentialEP: Backprop-Free Training of CIFAR-Scale Generative Models via Equilibrium Propagation [0.0]
エネルギーマッチング(Energy Matching)は、時間に依存しないポテンシャルの勾配の緩和による最初のサンプリングを提供する。
我々は、そのエネルギーに1つの線形注入項が付加された予測符号化ネットワークが、その勾配を可視層が本質的に保持する状態に緩和されることを証明した。
したがって、バックプロパゲーションによって訓練されたエネルギーマッチングモデルは、このネットワークに不変にロードされ、緩和だけでサンプリングされる。
これらの更新で終端となるトレーニングは、無条件のCIFAR-10で3.64のFIDに達し、バックプロパゲーションでは3.54となる。
論文 参考訳（メタデータ） (2026-10-10T00:06:26Z) - GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。
30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。
エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
論文 参考訳（メタデータ） (2026-09-30T12:20:51Z) - OSCC: Certified Observation-Safe Coupling Optimization for Gradient-Noise Control in Imperfect-Information Learning [23.835119696596095]
無効な結合は、隠された状態を隠蔽し、内因性ポリシーのランダム性を同期させ、または、偽の履歴が分岐した後の誤ったチャンスイベントを発生させる。
本稿では,限界保存,情報状態安全性,ブランチローカルなポリシーランダム性,セマンティックイベントアライメント,トレース・ビオークル・リプレイなどを通じて,許容可能なクラスを定義するフレームワークであるオブザーバセーフ・カウンタファクト・カップリング(O SCC)を紹介する。
我々は, 限界保存結合に対して, ポリシ・ヤコビアン重み付き対角外帰還共分散が雑音変化を決定することを示す勾配対応結合基準を導出する。
論文 参考訳（メタデータ） (2026-09-27T13:10:30Z) - GAUGE: Group-Wise View-Inconsistency Rectification for Feed-Forward 4D Tracking [48.91477882822122]
本稿では,GAUGE(Group-wise Adaptive Unsupervised Gauge Estimation)について述べる。
方向整合性と空間接続性から運動群を復元し、フレーム単位のラジアルスケールとグループレベルの変換を推定する。
D4RT, 4RC, SM4RTを含む8つのトラッカーの動的クエリポイントでは, 訂正されていない予測に対して, 終端誤差を15.1%から62.6%削減する。
論文 参考訳（メタデータ） (2026-09-26T13:14:53Z) - On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳（メタデータ） (2026-08-31T06:35:07Z) - DUET -- Dual User Embedding Transformers for Offsite Conversion Prediction [8.972672149050627]
計算レコメンデーションシステムにおいて,オフサイト変換率(OCVR)予測は重要なランキング問題である。
このタスクは、クリック信号が豊富で、短い時間的水平線を示すのに対して、変換信号は本質的に疎く、長い遅延があり、しばしば未配布である。
ユーザ行動データを2つのドメインコヒーレントなストリーム – クリックと変換 – に明示的に分割するフレームワークであるDUETを提案する。
論文 参考訳（メタデータ） (2026-06-08T23:13:58Z) - Two-View Accumulation as the Primary Training Lever for Hybrid-Capture Gaussian Splatting: A Variance-Decomposition View of When Gradient Surgery Helps [7.6889618752994595]
ハイブリッドキャプチャーノベルビュー合成は、かなり異なるカメラビューを組み合わせる。
標準3DGSは、ステップ毎に1つのレンダリングビューで30Kイテレーションでトレーニングされている。
本稿では,この発見を予測・説明する分散分解フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-29T17:45:51Z) - Linear Differential Vision Transformer: Learning Visual Contrasts via Pairwise Differentials [34.77694214755808]
MHSA(Multi-Head Self-Attention)の代替品であるVCA(Visual-Contrast Attention)を導入する。
VCAは、O(N N C) から O(N n C) への理論複雑性を n N で減少させながら、識別の明示的な概念を注入する。
モジュールはDeiT-Tinyのバックボーンに0.3M以下のパラメータを追加し、追加のFLOPを必要とせず、完全にアーキテクチャに依存しない。
論文 参考訳（メタデータ） (2025-11-02T07:04:12Z) - Discrete Diffusion VLA: Bringing Discrete Diffusion to Action Decoding in Vision-Language-Action Policies [62.653984010274485]
VLA(Vision-Language-Action)モデルは、画像や命令をロボットアクションにマッピングするために、大きな視覚言語バックボーンを適応させる。
prevailingAsは、固定された左から右への順序で自動回帰的にアクションを生成するか、バックボーンの外側で分離または拡散ヘッドをアタッチする。
本稿では離散拡散を伴う離散化作用チャンクをモデル化する統一変換器ポリシである離散拡散VLAを提案する。
論文 参考訳（メタデータ） (2025-08-27T17:39:11Z) - Coordinate Transformer: Achieving Single-stage Multi-person Mesh
Recovery from Videos [91.44553585470688]
ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。
本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。
3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
論文 参考訳（メタデータ） (2023-08-20T18:23:07Z) - Distortion-Aware Loop Filtering of Intra 360^o Video Coding with
Equirectangular Projection [81.63407194858854]
等角射影(ERP)フォーマットで投影された360$o$ビデオの符号化性能を向上させるため,歪みを考慮したループフィルタリングモデルを提案する。
提案モジュールは、符号化ユニット(CU)パーティションマスクに基づいてコンテンツ特性を分析し、部分的畳み込みによって処理し、指定された領域を活性化する。
論文 参考訳（メタデータ） (2022-02-20T12:00:18Z)
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。