論文の概要: FlashVSR+: Efficient Video Super-Resolution via Hybrid Attention and Reward-Yield Distribution Matching

• arxiv url: http://arxiv.org/abs/2610.17552v1
• Date: Tue, 13 Oct 2026 01:22:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.486225
• Title: FlashVSR+: Efficient Video Super-Resolution via Hybrid Attention and Reward-Yield Distribution Matching
• Title（参考訳）: FlashVSR+: ハイブリッドアテンションとリワード収率分布マッチングによる高効率ビデオ超解像
• Abstract要約: ビデオ超解像(VSR)モデルは、拡散蒸留により効率的なワンステップ生成を実現する。 高解像度の推論は高価であり、蒸留されたモデルは人間の好みに合わせるのは難しい。 両制約に対処するために textbfFlashVSR+ を提示する。
• 参考スコア（独自算出の注目度）: 65.06859436449537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent video super-resolution (VSR) models achieve efficient one-step generation through diffusion distillation. However, high-resolution inference remains costly, and distilled models are difficult to align with human preferences. These challenges call for improvements in both model architecture and training strategy. We present \textbf{FlashVSR+} to address both limitations. On the architecture side, we introduce hybrid attention based on the strong locality observed in pretrained VSR models, while retaining sparse global interaction for long-range consistency. It achieves up to $2\times$ DiT speedup and 45\% lower peak memory, enabling spatially untiled 4K VSR on a single 24GB RTX 4090. On the training side, we propose Reward-Yield Distribution Matching Distillation (Ry-DMD) for preference-aligned one-step generation. Ry-DMD uses reward-weighted teacher rollouts to incorporate black-box rewards into distribution matching, without backpropagating through the reward model. We further show that Ry-DMD generalizes beyond VSR to T2I generation. Together, FlashVSR+ delivers stronger restoration quality and substantially improves high-resolution efficiency, with consistent gains in user preference. We release our code, models, and training data at \href{https://www.flashvsr.tech}{\textcolor{FlashBlue}{\textbf{www.flashvsr.tech}}}.
• Abstract（参考訳）: 最近のビデオ超解像(VSR)モデルは、拡散蒸留により効率的なワンステップ生成を実現する。 しかし、高解像度の推論は高価であり、蒸留されたモデルは人間の好みに合わせることは困難である。 これらの課題は、モデルアーキテクチャとトレーニング戦略の両方の改善を要求する。 両方の制限に対処するために、 \textbf{FlashVSR+} を提示する。 アーキテクチャ面では、事前訓練されたVSRモデルで観測される強い局所性に基づいて、長距離整合性のための疎大な相互作用を維持しながら、ハイブリッド注意を導入する。 最大$2\times$ DiTスピードアップと45\%低いピークメモリを実現し、単一の24GB RTX 4090上で空間的に4K VSRを処理できる。 トレーニング側では、優先的な一段階生成のためのReward-Yield Distribution Matching Distillation (Ry-DMD)を提案する。 Ry-DMDは報酬を重み付けした教師のロールアウトを使用して、報酬モデルをバックプロパゲートすることなく、ブラックボックス報酬を配布マッチングに組み込む。 さらに、Ry-DMD は VSR から T2I 生成までを一般化することを示す。 同時に、FlashVSR+はより強力な復元品質を提供し、高解像度の効率を大幅に改善し、ユーザの好みは一貫して向上する。 コード、モデル、トレーニングデータは、 \href{https://www.flashvsr.tech}{\textcolor{FlashBlue}{\textbf{www.flashvsr.tech}}}でリリースしています。

関連論文リスト

• Reward Forcing: Efficient Streaming Video Generation with Rewarded Distribution Matching Distillation [69.57572900337176]
  本稿では,効率的なストリーミングビデオ生成のための新しいフレームワークであるReward Forcingを紹介する。 EMA-Sinkトークンは、長期コンテキストと最近のダイナミクスの両方をキャプチャし、初期フレームコピーを防ぐ。 Re-DMDは、視覚言語モデルにより評価されたより大きなダイナミックスを持つサンプルを優先順位付けすることで、モデル出力分布を高逆領域にバイアスする。
  論文  参考訳（メタデータ） (2025-12-04T11:12:13Z)
• FlashVSR: Towards Real-Time Diffusion-Based Streaming Video Super-Resolution [61.284842030283464]
  FlashVSRは、リアルタイムVSRに向けた最初の拡散ベースのワンステップストリーミングフレームワークである。 A100 GPUで768x1408ビデオの約17FPSで動作する。 超高解像度に確実にスケールし、従来の1ステップ拡散VSRモデルよりも最大12倍のスピードアップで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-10-14T17:25:54Z)
• Asymmetric VAE for One-Step Video Super-Resolution Acceleration [63.419142632861345]
  本稿では,高圧縮VAEを実装することにより,計算コストを大幅に削減するFastVSRを提案する。 FastVSRは、マルチステップモデルに比べて111.9倍、既存のワンステップモデルより3.92倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-09-29T00:36:14Z)
• Towards Redundancy Reduction in Diffusion Models for Efficient Video Super-Resolution [41.19210731686364]
  ビデオ超解像(VSR)への生成拡散モデルへの直接適応は冗長性をもたらす。 OASISは、$textbfa$ttention $textbfs$pecialization for real-world v$textbfi$deo $textbfs$uper- resolutionを備えた効率的な$textbfo$ne-step拡散モデルである。 OASISは、合成データセットと実世界のデータセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-28T17:08:51Z)
• DOVE: Efficient One-Step Diffusion Model for Real-World Video Super-Resolution [37.788426685862056]
  実世界のビデオ超解像のための効率的なワンステップ拡散モデルであるDOVEを提案する。 DOVEは、事前訓練されたビデオ拡散モデル(すなわち、CogVideoX)を微調整することによって得られる。 実験により、DOVEは多段階拡散型VSR法と同等または優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2025-05-22T05:16:45Z)
• From Slow Bidirectional to Fast Autoregressive Video Diffusion Models [48.35054927704544]
  現在のビデオ拡散モデルは、印象的な生成品質を実現するが、双方向の注意依存のため、インタラクティブなアプリケーションに苦戦する。 この制限には、事前訓練された双方向拡散変換器を自己回帰変換器に適応させ、フレームをオンザフライで生成することで対処する。 我々のモデルは、VBench-Longベンチマークで84.27点のスコアを達成し、以前のすべてのビデオ生成モデルを上回った。
  論文  参考訳（メタデータ） (2024-12-10T18:59:50Z)
• Investigating Tradeoffs in Real-World Video Super-Resolution [90.81396836308085]
  実世界のビデオ超解像(VSR)モデルは、一般化性を改善するために様々な劣化で訓練されることが多い。 最初のトレードオフを軽減するために,性能を犠牲にすることなく,最大40%のトレーニング時間を削減できる劣化手法を提案する。 そこで本研究では,多種多様な実世界の低品質映像系列を含むビデオLQデータセットを提案する。
  論文  参考訳（メタデータ） (2021-11-24T18:58:21Z)

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。