論文の概要: TIDE: Trajectory-Informed Skill Distillation for Efficient Text-to-Video Prompt Optimization

• arxiv url: http://arxiv.org/abs/2610.15098v1
• Date: Sat, 10 Oct 2026 18:15:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:35:07.465922
• Title: TIDE: Trajectory-Informed Skill Distillation for Efficient Text-to-Video Prompt Optimization
• Title（参考訳）: TIDE:効率的なテキスト・ビデオ・プロンプト最適化のための軌道インフォームドスキル蒸留
• Abstract要約: 我々は,このコストのかかる検索プロセスを再利用可能なプロンプトリライトスキルに蒸留するフレームワークであるTIDEを提案する。 TIDEは、ソース条件付きルールモジュールのセットとして、それぞれ異なるセマンティックディメンションをターゲットとして、即時書き直しを行う。 TIDEは14時間で100のプロンプトしか使用せず、計算コストの高い検索手法に匹敵するプロンプト最適化性能を達成している。
• 参考スコア（独自算出の注目度）: 3.688356061690497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-video (T2V) models are highly sensitive to prompt specificity, while iterative prompt optimization typically improves generation quality only through repeated video generation and vision-language model evaluation at inference time. We propose TIDE, a framework that distills this costly search process into an interpretable and reusable prompt-rewriting Skill. TIDE formulates prompt rewriting as a set of source-conditioned rule modules, each targeting a distinct semantic dimension. Once distilled, the frozen Skill activates the relevant rules and generates both positive and negative prompts in a single LLM call, followed by only one T2V generation, without test-time visual search or backbone fine-tuning. Evolved using only 100 prompts over 14 hours, TIDE achieves prompt-optimization performance comparable to computationally expensive search-based methods. Moreover, when transferred to previously unseen video-generation models, TIDE outperforms existing approaches specifically designed or trained for those models. Code is available at https://github.com/xiningin/TIDE_T2V.
• Abstract（参考訳）: テキスト・ツー・ビデオ・モデル(T2V)は、特定性を促進するために非常に敏感であるが、反復的なプロンプト最適化は典型的には、繰り返しビデオ生成と推論時の視覚言語モデル評価によってのみ生成品質を改善する。 我々は、この高価な検索プロセスを解釈可能で再利用可能なプロンプトリライトスキルに蒸留するフレームワークであるTIDEを提案する。 TIDEは、ソース条件付きルールモジュールのセットとして、それぞれ異なるセマンティックディメンションをターゲットとして、即時書き直しを行う。 一度蒸留すると、凍結されたSkillは関連するルールを活性化し、単一のLSMコールで正と負の両方のプロンプトを生成し、その後、テストタイムのビジュアルサーチやバックボーンの微調整なしでT2V生成を1つだけ行う。 TIDEは14時間で100のプロンプトしか使用せず、計算コストの高い検索手法に匹敵するプロンプト最適化性能を達成している。 さらに、それまで見たことのないビデオ生成モデルに移行した場合、TIDEはこれらのモデルのために特別に設計されたり、訓練されたりした既存のアプローチよりも優れている。 コードはhttps://github.com/xiningin/TIDE_T2Vで入手できる。

関連論文リスト

• VQQA: An Agentic Approach for Video Evaluation and Quality Improvement [36.312552904481414]
  本稿では,VQQA (Video Quality Question Answering) について述べる。 VQQAは、従来の受動的評価指標を人間解釈可能で行動可能なフィードバックに置き換える。 本手法は, ベニラ生成に対するT2V-CompBenchの+11.57%, VBench2の+8.43%の絶対改善を実現する。
  論文  参考訳（メタデータ） (2026-03-12T18:00:00Z)
• VC4VG: Optimizing Video Captions for Text-to-Video Generation [60.4614929018261]
  本稿では、T2Vモデルのニーズに合わせて、包括的なキャプション最適化フレームワークであるVC4VG(Video Captioning for Video Generation)を紹介する。 評価を支援するため,T2V仕様に適合する細粒度,多次元,必要グレードのメトリクスを特徴とする新しいベンチマークVC4VG-Benchを構築した。
  論文  参考訳（メタデータ） (2025-10-28T07:19:01Z)
• RAPO++: Cross-Stage Prompt Optimization for Text-to-Video Generation via Data Alignment and Test-Time Scaling [59.088798018184235]
  textbfRAPO++は、クロスプラットフォームのプロンプト最適化フレームワークである。 トレーニングデータの整合性向上、テスト時の反復スケーリング、大規模言語モデルの微調整を統一する。 RAPO++は意味的アライメント、構成的推論、時間的安定性、物理的妥当性において大きな進歩を遂げている。
  論文  参考訳（メタデータ） (2025-10-23T04:45:09Z)
• Video-T1: Test-Time Scaling for Video Generation [19.089876374170167]
  大規模言語モデル(LLM)の研究者たちは、スケーリングをテスト時間に拡大した。 ビデオ生成モデルが非自明な量の推論時間計算を許せば、挑戦的なテキストプロンプトによって生成品質をどの程度向上できるかという問題に答えることを目指している。 テキスト条件付きビデオ生成ベンチマークの実験では、テスト時間計算の増加がビデオの品質を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2025-03-24T17:59:04Z)
• Prompt-A-Video: Prompt Your Video Diffusion Model via Preference-Aligned LLM [54.2320450886902]
  テキスト・ビデオ・モデルは高品質のテキスト・ビデオ・ペアを最適化することで顕著な進歩を遂げた。 現在の精製の自動化手法は、モダリティ・一貫性、コスト分散、モデルウナウエアといった課題に直面する。 Prompt-A-Videoは、特定のビデオ拡散モデルに合わせた、ビデオ中心、労働自由、調整されたプロンプトの製作に優れる。
  論文  参考訳（メタデータ） (2024-12-19T18:32:21Z)
• T2VIndexer: A Generative Video Indexer for Efficient Text-Video Retrieval [30.48217069475297]
  本稿では,ビデオ識別子を直接生成するシーケンス・ツー・シーケンス生成モデルであるT2VIndexerというモデルに基づくビデオインデクサを提案する。 T2VIndexerは高い精度を維持しながら検索時間を短縮することを目的としている。
  論文  参考訳（メタデータ） (2024-08-21T08:40:45Z)
• Exploring Pre-trained Text-to-Video Diffusion Models for Referring Video Object Segmentation [72.90144343056227]
  ビデオ理解タスクのためのテキスト・ツー・ビデオ拡散モデル(T2V)から生成した視覚的表現について検討する。 固定されたT2Vモデル上に構築された専用コンポーネントを備えた新しいフレームワーク「VD-IT」を紹介する。 我々のVD-ITは、既存の最先端手法を超越して、非常に競争力のある結果を得る。
  論文  参考訳（メタデータ） (2024-03-18T17:59:58Z)
• DirecT2V: Large Language Models are Frame-Level Directors for Zero-Shot Text-to-Video Generation [37.25815760042241]
  本稿では,テキスト・ツー・ビデオ(T2V)ビデオを生成するための新しいフレームワークであるDirecT2Vを紹介する。 拡散モデルに新しい値マッピング法とデュアルソフトマックスフィルタリングを適用し、追加のトレーニングを必要としない。 実験により,視覚的コヒーレントかつストーリーフルなビデオ制作におけるフレームワークの有効性が検証された。
  論文  参考訳（メタデータ） (2023-05-23T17:57:09Z)

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。