論文の概要: ELECT: Settling Identity Before Rendering for Scalable Story Visualization

• arxiv url: http://arxiv.org/abs/2610.15555v1
• Date: Sun, 11 Oct 2026 11:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.224281
• Title: ELECT: Settling Identity Before Rendering for Scalable Story Visualization
• Title（参考訳）: ELECT: スケーラブルなストーリービジュアライゼーションのためのレンダリング前のアイデンティティ設定
• Abstract要約: 最終レンダリングの前にフレーム間の同一性を解決するELECTを導入する。 32のシーンで96GBのVRAMを超えるが、ELECTは10から1000のシーンで8.3s、20GBのVRAM以下である。
• 参考スコア（独自算出の注目度）: 4.729397665007874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training-free story visualization without reference images must preserve recurring entities across frames while scaling to long narratives. Existing methods typically maintain consistency by conditioning each frame on other frames of the same story, coupling generation time, VRAM, or both to story length. We introduce ELECT, which instead settles cross-frame identity before final rendering through a language-guided scene-entity mapping and stationary anchors elected from the model's own drafts. This makes the per-frame cost of the final rendering pass independent of story length. Joint attention exceeds 96 GB of VRAM at 32 scenes, whereas ELECT remains at 8.3 s per frame and under 20 GB VRAM from 10 to 1000 scenes. On the Story50 long-story benchmark, ELECT reaches 0.833 average Character Consistency Similarity (aCCS), compared with 0.826 for ten-round refinement, at one seventh of its generation cost, with lower text alignment (0.327 vs. 0.340). At 1000 scenes, to our knowledge, the first evaluation of training-free story visualization at this length, ELECT exceeds ten-round refinement by 0.017 aCCS and the nearest flat-cost baseline by 0.091, while also surpassing refinement in text alignment at one twenty-fourth of its generation time. These results show that long-horizon consistency need not require increasingly expensive inter-frame conditioning as stories grow.
• Abstract（参考訳）: 参照画像のないトレーニング不要なストーリービジュアライゼーションは、長い物語にスケールしながら、フレーム全体の繰り返しエンティティを保存する必要がある。 既存の手法では、各フレームを同じストーリーの他のフレーム、結合生成時間、VRAM、あるいは両方をストーリーの長さに条件付けすることで、一貫性を維持するのが一般的である。 ELECTは、言語誘導のシーンエンタリティマッピングとモデル独自のドラフトから選択された固定アンカーを通じて、最終的なレンダリングの前に、フレーム間のアイデンティティを解決します。 これにより、最終レンダリングのフレーム当たりのコストはストーリーの長さとは無関係になる。 32のシーンで96GBのVRAMを超えるが、ELECTは10から1000のシーンで8.3s、20GBのVRAM以下である。 Story50の長期ベンチマークでは、ELECTは平均で0.833文字一貫性類似性(aCCS)に達し、10ラウンドの改良では0.826が生成コストの7分の1で、テキストアライメントは0.327対0.340である。 私たちの知る限り、この長さでのトレーニング不要なストーリービジュアライゼーションの最初の評価では、ELECTは10ラウンドの改良を0.017 aCCSで、最寄りのフラットコストベースラインを0.091で上回り、同時にテキストアライメントの洗練を24分の1で上回りました。 これらの結果は、ストーリーが大きくなるにつれて、長期の一貫性はフレーム間条件付けをますます必要としないことを示している。

関連論文リスト

• Caption-once, Frames-on-Demand: Visual-Need Routing for Budget-Aware Agentic Long Video Understanding [59.773752487686444]
  エッジデバイスに対する長いビデオ理解は、厳格な計算と帯域幅の予算の下で何時間ものコンテンツを引き起こす必要がある。 予算対応のエッジクラウドエージェントフレームワークであるCaption-once, Frames-onDemandを提案する。 長時間ビデオベンチマークの実験では、オンラインビジュアル処理を大幅に削減しながら、高い精度と効率のトレードオフを示す。
  論文  参考訳（メタデータ） (2026-09-10T17:53:59Z)
• RIDGE: Region-Informed Derivative-Guided Evidence Selection for Long Video Understanding [55.75126327155788]
  RIDGEはフレーム選択フレームワークであり、時間信号としてフレームクエリの類似性曲線を読み取る。 タイムラインを構造的なリージョンに分割し、固定予算の下でイベントコア、トランジション、ビルドアップ、アフターマス、コンテキストフレームを保存するために、リージョン固有の選択を適用する。 ほとんどの設定で最高のパフォーマンスを達成し、他の設定では競争力を維持します。
  論文  参考訳（メタデータ） (2026-08-30T18:40:51Z)
• Tether the Subject, Release the Scene: Query-Aware Memory Routing for Long-Horizon Autoregressive Video Generation [52.12619606640385]
  本稿では,フリーズビデオジェネレータ用のクエリ対応メモリルータStreamingMemを紹介する。 TetherMemは、主題とシーンのクエリを分離し、地域と年齢の条件で履歴アクセスを変調する。 完全な30秒のビデオでは、背景、視点、シーンの状態の変化を保ちながら、被写体認識性と時間的連続性を維持する。
  論文  参考訳（メタデータ） (2026-08-27T10:05:17Z)
• InfinityStory: Unlimited Video Generation with World Consistency and Character-Aware Shot Transitions [137.1784538723039]
  本稿では,ビデオ合成における3つの限界に対処する新しいフレームワーク,データセット,モデルを提案する。 ショット間のバックグラウンド一貫性、シームレスなマルチオブジェクトショット・ツー・ショット・トランジション、時間単位の物語へのスケーラビリティに対処する。 本稿では,複数の被写体が入射する複雑なシナリオに対してスムーズなショット遷移を生成するトランジション対応ビデオ合成モジュールを提案する。
  論文  参考訳（メタデータ） (2026-03-04T02:10:32Z)
• StoryTailor:A Zero-Shot Pipeline for Action-Rich Multi-Subject Visual Narratives [7.243114047801061]
  本稿では、時間的コヒーレントなアイデンティティ保存画像列を生成するゼロショットパイプラインを提案する。 ストーリーは表現力のあるインタラクションを提供し、安定したシーンを進化させる。
  論文  参考訳（メタデータ） (2026-02-24T16:07:02Z)
• Entity Re-identification in Visual Storytelling via Contrastive Reinforcement Learning [0.2455468619225742]
  ビジュアルストーリーテリングシステムは、フレーム間のキャラクタとオブジェクトの同一性を維持するのに苦労する。 本研究では,コヒーレントな画像列と無関係な画像から物語を識別するモデルを訓練する,対照的な強化学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-09T23:52:10Z)
• ContextualStory: Consistent Visual Storytelling with Spatially-Enhanced and Storyline Context [50.572907418430155]
  ContextualStoryは、コヒーレントなストーリーフレームを生成し、ビジュアルなストーリーテリングのためにフレームを拡張するように設計されたフレームワークである。 ストーリーライン埋め込みにおけるコンテキストを豊かにするストーリーラインコンテクストアライザと、フレーム間のシーン変化を測定するストーリーフローアダプタを導入する。 PororoSVとFlintstonesSVデータセットの実験では、ContextualStoryはストーリーの可視化と継続の両方で既存のSOTAメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-07-13T05:02:42Z)

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。