論文の概要: VARI: Robust Text-to-Video Generation via Group-Structured Intent Alignment

• arxiv url: http://arxiv.org/abs/2610.18189v1
• Date: Tue, 13 Oct 2026 11:28:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:58:30.480477
• Title: VARI: Robust Text-to-Video Generation via Group-Structured Intent Alignment
• Title（参考訳）: VARI:グループ構造インテントアライメントによるロバストテキスト・ビデオ生成
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.622504766269344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern text-to-video (T2V) models generate visually compelling videos, yet meaning-preserving changes in prompt wording can substantially alter semantic realization and overall quality. Existing prompt rewriting modifies the inference input, whereas conventional post-training constructs supervision from one prompt formulation at a time; neither explicitly optimizes reliability across equivalent forms. We introduce VARI (Verified Alignment over Representations of Intent), a group-structured framework that treats automatically verified formulations of the same visual intent as a shared supervision unit. VARI builds matched form-seed rollout pools, cross-scores each video against all forms, and applies a wording-independent structured intent audit to identify valid realizations and hard semantic failures. Group-Consistent Distillation (GCD) aligns every verified form with interchangeable valid realizations, while Form-Contrastive Flow-DPO (FC-DPO) learns group-level preferences from audited positive-negative pairs, prioritizing same-seed, different-form contrasts. On HunyuanVideo-1.5, VARI attains the highest T2V-CompBench, VBench, and StoryEval scores among the evaluated methods. On prompt-form extensions of T2V-CompBench and VBench, it improves weakest-form alignment over the strongest prompt-level baselines by 2.45 and 3.55 points and reduces cross-form drop by 30.5% and 32.2%, respectively, while preserving visual quality. Human evaluation, natural-caption controls, prompt-enhancement experiments, diversity analyses, and transfer to LTX-2.3 further support the robustness and transferability of these gains, while VARI requires no additional inference-time module.
• Abstract（参考訳）: 現代のテキスト・トゥ・ビデオ(T2V)モデルは視覚的に魅力的なビデオを生成するが、プロンプト・ワーキングにおける意味保存的変化はセマンティック・リアライゼーションと全体的な品質を著しく変える可能性がある。 既存のプロンプト書き換えは推論入力を変更するが、従来のポストトレーニングは1つのプロンプト定式化から監督する。 VARI(Verified Alignment over Representations of Intent)は,共有監視ユニットと同じ視覚的意図の定式化を自動的に行うグループ構造化フレームワークである。 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して、有効な実現とハードセマンティック障害を特定する。 GCD(Group-Consistent Distillation)は、すべての検証された形式を、交換可能な有効な実現と整合させ、FC-DPO(Form-Contrastive Flow-DPO)は、監査された正負のペアからグループレベルの選好を学習し、同じシード、異なる形式のコントラストを優先順位付けする。 HunyuanVideo-1.5では,VARIは評価手法の中でT2V-CompBench,VBench,StoryEvalのスコアが最も高い。 T2V-CompBenchとVBenchのプロンプト形式拡張では、最強のプロンプトレベルのベースラインに対する最も弱い形式のアライメントを2.45ポイントと3.55ポイント改善し、視覚的品質を維持しながら、クロスフォームのドロップを30.5%、32.2%削減する。 人間の評価、自然捕獲制御、迅速なエンハンスメント実験、多様性分析、LTX-2.3への移動はこれらの利得の堅牢性と伝達性をさらに支援し、VARIは追加の推論時モジュールを必要としない。

関連論文リスト

• Understanding Unified VLMs: From Attention Probing to Guidance Tuning for Multimodal Generation [52.768661758515094]
  統一視覚言語モデル(VLM)は、テキスト・トゥ・イメージ(T2I)と画像・トゥ・テキスト(I2T)の両方を生成する。 条件付き指導の観点から,本問題を考察する。
  論文  参考訳（メタデータ） (2026-10-10T23:40:27Z)
• DSE-VTG: Dual-Side Enhancement for Training-Free Video Temporal Grounding [11.584150931573738]
  テキスト誘導ビデオ時間グラウンド(VTG)は、テキストクエリに基づいた未編集ビデオに関連セグメントをローカライズすることを目的としている。 近年のトレーニングフリーなVTGアプローチは、事前学習された視覚言語表現を直接マッチングすることでこの問題を軽減する。 DSE-VTGは,フレーム単位の視覚的エンコーディングと定型クエリ埋め込みの両方に対処するフレームワークである。
  論文  参考訳（メタデータ） (2026-09-08T15:03:41Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• TAME: Test-Time Adversarial Prompt Tuning via Mixture-of-Experts for Vision-Language Models [76.92890872338235]
  大規模事前学習型ビジョンランゲージモデル(VLM)は、強いゼロショット一般化を示すが、知覚不能な逆方向の摂動に対して非常に脆弱である。 ダウンストリームタスク固有のリトレーニングを必要とせずに堅牢性を高めるため,新しいテストタイムディフェンスであるTAMEを提案する。
  論文  参考訳（メタデータ） (2026-05-17T18:07:08Z)
• SARA: Semantically Adaptive Relational Alignment for Video Diffusion Models [24.580427340782524]
  最近の拡散モデル(VDM)は、視覚的に説得力のあるクリップを合成するが、それでも実体や誤結合属性を落とし、プロンプトアライメントルーブリックで指定された相互作用を弱める。 我々は,凍結したVFMターゲットにトークン関係を保ち,どのトークンペアが監督を行うかを決定するためのテキスト条件付きサリエンシを付加する適応表現アライメント(SARA)を提案する。
  論文  参考訳（メタデータ） (2026-05-08T14:36:32Z)
• 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)
• Anchoring Values in Temporal and Group Dimensions for Flow Matching Model Alignment [61.80228667422234]
  VGPOは時間次元とグループ次元の両方で値の推定を再定義する。 スパース端末の報酬を密度の高いプロセス認識値推定に変換する。 標準群正規化を絶対値によって強化された新しいプロセスに置き換え、安定した最適化信号を維持する。
  論文  参考訳（メタデータ） (2025-12-13T16:31:26Z)
• 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)
• Test-Time Consistency in Vision Language Models [26.475993408532304]
  VLM(Vision-Language Models)は、様々なマルチモーダルタスクにおいて優れたパフォーマンスを実現している。 MM-R3のような最近のベンチマークでは、最先端のVLMでさえ意味論的に等価な入力にまたがって分岐予測をもたらすことが強調されている。 教師付き再学習なしにセマンティックな一貫性を高める,シンプルで効果的なテスト時間一貫性フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-27T17:09:44Z)

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。