論文の概要: FlowCred: Hierarchical Credit Assignment and Functional Coordination for Joint Text-to-Video Post-Training
- arxiv url: http://arxiv.org/abs/2610.18142v1
- Date: Tue, 13 Oct 2026 10:48:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 07:12:52.048712
- Title: FlowCred: Hierarchical Credit Assignment and Functional Coordination for Joint Text-to-Video Post-Training
- Title（参考訳）: FlowCred: テキストとビデオの共同トレーニングにおける階層的クレジットアサインメントと機能的コーディネート
- Abstract要約: FlowCredは、共同テキスト・ツー・ビデオ(T2V)のポストトレーニングのための2段階のフレームワークである。
階層的なクレジット割り当てを使用して、プロンプトレベルのクレジットとプロンプト条件のジェネレータ残差を分離する。
複数のT2Vベンチマークで一致した共同トレーニングベースラインを一貫して改善する。
- 参考スコア（独自算出の注目度）: 12.277460276625943
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prompt optimization and generator post-training are two complementary ways to improve text-to-video (T2V) generation, and recent systems increasingly train both modules jointly. However, optimizing a prompt policy and a video generator from the same terminal reward creates two ambiguities: prompt quality is confounded with stochastic generation, and the two modules may realize overlapping local improvements. We introduce FlowCred, a two-level framework for joint T2V post-training. First, hierarchical credit assignment uses matched prompt-seed rollout grids to separate prompt-level credit from prompt-conditioned generator residuals under shared randomness. Second, functional coordination probes alternative current-policy prompts at states from actual generation trajectories, providing generator-aware evidence for prompt optimization while selectively attenuating generator updates already supported by conditioning changes. Across multiple T2V benchmarks, FlowCred consistently improves matched joint-training baselines. On LTX-2.5, FlowCred improves a strictly matched joint-training control from 61.47 to 64.46 on T2V-CompBench and from 55.58 to 58.08 on StoryEval, without increasing decoded-video or reward-model-call budgets. Factorial and realized-update analyses show complementary contributions from prompt shaping and generator routing, while human evaluation and transfer across backbones and updater families provide further supporting evidence.
- Abstract（参考訳）: プロンプト最適化とジェネレータポストトレーニングは、テキスト・ツー・ビデオ(T2V)生成を改善するための2つの補完的な方法である。
しかし、同じ端末報酬からプロンプトポリシーとビデオジェネレータを最適化すると、2つの曖昧さが生じる。
本稿では,共同T2Vポストトレーニングのための2レベルフレームワークであるFlowCredを紹介する。
まず、階層的なクレジット割り当ては、一致したプロンプトシードのロールアウトグリッドを使用して、プロンプトレベルクレジットとプロンプト条件のジェネレータ残差を共有ランダム性の下で分離する。
第二に、機能的コーディネーションは、実際の世代軌跡から状態に対する代替の電流プロンプトを探索し、条件変更によってすでにサポートされているジェネレータ更新を選択的に減衰させながら、プロンプト最適化のためのジェネレータ対応のエビデンスを提供する。
複数のT2Vベンチマークで、FlowCredは一致した共同トレーニングベースラインを一貫して改善する。
LTX-2.5では、FlowCredはT2V-CompBenchで61.47から64.46に、StoryEvalで55.58から58.08に厳格に整合した共同訓練制御を改善した。
因子的および実現された更新分析は、プロンプトシェイピングとジェネレータルーティングの相補的な寄与を示し、一方でヒトの評価とバックボーンと更新器ファミリー間の移動は、さらなる証拠を提供する。
関連論文リスト
- VARI: Robust Text-to-Video Generation via Group-Structured Intent Alignment [9.622504766269344]
共有監視ユニットと同じ視覚的意図の定式化を自動検証するグループ構造化フレームワークを提案する。
VarIは、マッチしたフォームシードのロールアウトプールを構築し、各ビデオをすべてのフォームに対してクロススコアし、ワード処理に依存しない構造化意図監査を適用する。
VarIは評価手法の中で,T2V-CompBench,VBench,StoryEvalのスコアが最も高い。
論文 参考訳（メタデータ） (2026-10-13T11:28:50Z) - Bridging the Semantic-Utility Gap in Multimodal RAG via Generator-in-the-Loop Alignment [37.61076424435405]
検索拡張世代(RAG)を付加した視覚言語モデル(VLM)は、外部の証拠へのアクセスから恩恵を受ける。
標準レトリバーとリランカはユーティリティに答えるよりもセマンティックな類似性を最適化し、好みのギャップを生じさせる。
文書レベルの関連アノテーションを使わずにこのギャップを埋める2段階のジェネレータ・イン・ザ・ループアライメントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-08T03:18:58Z) - NoisEasier: Test-Time Noise Optimization for Text-to-Video Generation [10.472880594575196]
拡散モデルは最近、テキスト・ツー・ビデオ(T2V)の生成が進んでいるが、それでも細かな構成アライメントに苦慮している。
ノイズ最適化によるT2V生成を改善するテスト時間スケーリングフレームワークであるNoisEasierを提案する。
論文 参考訳（メタデータ） (2026-08-31T03:17:52Z) - GRADRAG: Cross-Component Prompt Adaptation for Coordinated Multi-Agent RAG [0.5566372336864309]
クロスコンポーネント・プロンプト適応のためのフレームワークであるGRADRAGを紹介する。
評価者は下流の回答を批判し、証拠を支持し、実行可能なフィードバックを生み出す。
GRADRAGをSQUALITYおよびQMSUMベンチマークで評価した。
論文 参考訳（メタデータ） (2026-07-23T13:54:38Z) - INFUSER: Influence-Guided Self-Evolution Improves Reasoning [54.101135873140066]
2つの共進化的役割を持つ反復的協調学習フレームワークを導入する。
解答器は、生成元が提供する回答に対して標準正当性報酬で訓練される。
8B INF共進化ジェネレータは、数学とコーディングにおいて凍った32B思考ジェネレータより優れている。
論文 参考訳（メタデータ） (2026-06-08T05:40:36Z) - F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。
この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。
このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。
本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-13T04:52:33Z) - DynT2I-Eval: A Dynamic Evaluation Framework for Text-to-Image Models [78.62380562116135]
テキスト・トゥ・イメージ(T2I)モデルのための完全に自動化された動的評価フレームワークであるDynT2I-Evalを提案する。
長い形式の記述から構造化された視覚意味空間を構築し、プロンプトを制御可能な次元に分解する。
DynT2I-Evalは、テキストアライメント、知覚品質、美学のモデル性能を評価する。
論文 参考訳（メタデータ） (2026-05-07T12:53:51Z) - 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) - AMT: All-Pairs Multi-Field Transforms for Efficient Frame Interpolation [80.33846577924363]
ビデオフレームギスブのための新しいネットワークアーキテクチャであるAMT(All-Pairs Multi-Field Transforms)を提案する。
まず、すべての画素に対して双方向のボリュームを構築し、予測された両側フローを用いて相関関係を検索する。
第2に、入力フレーム上で逆向きのワープを行うために、一対の更新された粗い流れから細粒度の流れ場の複数のグループを導出する。
論文 参考訳（メタデータ） (2023-04-19T16:18:47Z) - Continuous-Time Sequential Recommendation with Temporal Graph
Collaborative Transformer [69.0621959845251]
本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。
TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。
5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-08-14T22:50:53Z)
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。