論文の概要: GAD: Geometry Attention Distillation for Consistent Video Generation

• arxiv url: http://arxiv.org/abs/2610.18779v1
• Date: Tue, 13 Oct 2026 17:33:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:39:10.446855
• Title: GAD: Geometry Attention Distillation for Consistent Video Generation
• Title（参考訳）: GAD:一貫したビデオ生成のための幾何学的注意蒸留
• Abstract要約: 本稿では,凍った幾何学モデルの注意から映像への対応を伝達するGAD(Geometry Attention Distillation)を紹介する。 GADは、両方の長距離ベンチマークにおいて、Wanベースラインよりも少なくとも30%、クロスフレームマッチングの精度を向上する。
• 参考スコア（独自算出の注目度）: 27.018464456556064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video diffusion models generate visually compelling short-term sequences but often struggle to preserve scene geometry and object structure over time. In this paper, we first demonstrate that current video attention cannot identify reliable correspondences across frames, with responses dispersed across multiple regions even after recognizable scene structure has emerged. We argue that reliable cross-frame associations are essential for information exchange as scene structure forms in video generation. Thus, we introduce Geometry Attention Distillation (GAD), which transfers correspondences from a frozen geometry model's attention to video attention. Extracted from clean videos, these correspondences link the same static surface or moving object across frames. Since structure formation begins in deeper layers at higher noise and shallower layers at lower noise, we apply attention distillation at a student layer selected according to the noise timestep. After training, video attention focuses more consistently on corresponding locations. Experiments across all three video backbones demonstrate improved long-range scene consistency and dynamic temporal consistency, with geometric gains across generation lengths. On Wan2.2 5B, GAD improves cross-frame matching accuracy by at least 30% over the Wan baseline on both long-range benchmarks. Notably, GAD achieves these gains without additional inference modules, offering a promising approach to efficient and consistent video-based world simulation. Project page: https://fantasy-amap.github.io/GAD/.
• Abstract（参考訳）: ビデオ拡散モデルは視覚的に説得力のある短期シーケンスを生成するが、時間とともにシーン幾何学やオブジェクト構造を保存するのに苦労することが多い。 本稿では,認識可能なシーン構造が出現した後でも,複数の領域にまたがって応答が分散し,フレーム間の信頼性の高い対応を見分けることができないことを示す。 我々は、映像生成におけるシーン構造の形成として、信頼性の高いクロスフレームアソシエーションが情報交換に不可欠であると主張している。 そこで我々は,凍った幾何学モデルの注意から映像への対応を伝達する幾何学的注意蒸留(Geometry Attention Distillation, GAD)を提案する。 クリーンなビデオから抽出されたこれらの対応は、同じ静的な表面やフレームをまたいで動く物体をリンクする。 構造形成は, より高騒音で, 低騒音で浅層で開始されるため, 雑音時間に従って選択された学生層で注意蒸留を行う。 訓練後、ビデオの注意はより一貫して対応する場所に焦点を当てる。 3つのビデオバックボーンにまたがる実験では、長距離シーンの一貫性と動的時間的一貫性が向上し、世代間の幾何学的ゲインが向上した。 Wan2.2 5Bでは、GADはフレーム間マッチングの精度を2つの長距離ベンチマークで最低30%向上させる。 特に、GADは推論モジュールを追加せずにこれらのゲインを達成し、効率的な一貫したビデオベースの世界シミュレーションに有望なアプローチを提供する。 プロジェクトページ: https://fantasy-amap.github.io/GAD/。

関連論文リスト

• VideoWeave: Unlocking Geometric Consistency in Video Generation via Joint Geometry-Video Modeling [49.98112719317813]
  ビデオ拡散モデルは、時間とともに3D構造を保存できないことが多い。 既存の手法は通常、明示的な幾何再構成を用いて幾何整合を強制する。 我々は,暗黙的幾何モデルを用いて生成分布を制約する潜在空間後学習フレームワークであるVideoWeaveを提案する。
  論文  参考訳（メタデータ） (2026-06-12T06:41:13Z)
• GemDepth: Geometry-Embedded Features for 3D-Consistent Video Depth [12.866152238833104]
  ビデオ深度推定は、一眼的予測を時間領域に拡張し、コヒーレンスを確保する。 現在のアプローチは主にトランスフォーマーによる時間的平滑化に依存しており、厳密な3次元幾何学的整合性を維持するのに苦労している。 GemDepthは,カメラモーションとグローバル3D構造を明確に認識することが3D一貫性の前提条件である,という知見に基づいて構築されたフレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T13:11:54Z)
• Geometry-Aware Rotary Position Embedding for Consistent Video World Model [48.914346802616414]
  ViewRopeは、ビデオトランスフォーマーの自己アテンション層に直接カメラの方向を注入するジオメトリ対応のエンコーディングである。 Geometry-Aware Frame-Sparse Attentionは、これらの幾何学的手がかりを利用して、関連する歴史的なフレームに選択的に参加する。 この結果から,ViewRopeは長期的整合性を大幅に向上し,計算コストを低減できることがわかった。
  論文  参考訳（メタデータ） (2026-02-08T08:01:16Z)
• AutoScape: Geometry-Consistent Long-Horizon Scene Generation [69.2451355181344]
  AutoScapeは長距離走行シーン生成フレームワークである。 20秒以上のリアルで幾何学的に一貫したドライビングビデオを生成する。 ロングホライゾンのFIDとFVDのスコアは、それぞれ48.6%、FVDは43.0%向上している。
  論文  参考訳（メタデータ） (2025-10-23T16:44:34Z)
• Ouroboros-Diffusion: Exploring Consistent Content Generation in Tuning-free Long Video Diffusion [116.40704026922671]
  事前訓練されたテキスト・ツー・ビデオモデルに基づいて構築されたファースト・イン・ファースト・アウト(FIFO)ビデオ拡散は,近年,チューニング不要な長ビデオ生成に有効なアプローチとして浮上している。 We propose Ouroboros-Diffusion, a novel video denoising framework designed to enhance structure and content (ject) consistency。
  論文  参考訳（メタデータ） (2025-01-15T18:59:15Z)
• Towards Smooth Video Composition [59.134911550142455]
  ビデオ生成には、時間とともに動的コンテンツを伴う一貫した永続的なフレームが必要である。 本研究は, 生成的対向ネットワーク(GAN)を用いて, 任意の長さの映像を構成するための時間的関係を, 数フレームから無限までモデル化するものである。 単体画像生成のためのエイリアスフリー操作は、適切に学習された知識とともに、フレーム単位の品質を損なうことなく、スムーズなフレーム遷移をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-12-14T18:54:13Z)

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。