論文の概要: Glance Forcing: Making Bidirectional Diffusion Autoregressive at a Glance

• arxiv url: http://arxiv.org/abs/2610.20220v1
• Date: Wed, 14 Oct 2026 13:58:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.17877
• Title: Glance Forcing: Making Bidirectional Diffusion Autoregressive at a Glance
• Title（参考訳）: Glance Forcing: Glanceで双方向拡散自動回帰を実現する
• Abstract要約: Glance Forcingは、2つの相補的な専門家に認知軌道を分解する軽量蒸留フレームワークである。 1つのPF-ODE軌道のみを使用して、ガンス・フォースは、既に完全に訓練された最先端のベースラインを超え、VBenchトータルスコアは84.04から84.22に上昇した。
• 参考スコア（独自算出の注目度）: 31.942575477909344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoregressive generation underlies real-time, causal video synthesis and is the backbone of video world models. Today's dominant approach distills a bidirectional diffusion model into a causal few-step student, but existing pipelines make this conversion prohibitively expensive, requiring offline Probability Flow ODE} (PF-ODE) trajectories that cost tens of thousands of GPU-hours and terabytes of storage. We show it can be made dramatically more efficient. Pushing this efficiency to its extreme, we reduce trajectory supervision to a single sample, the strictest setting possible, and find that it causes severe quality collapse. We trace this to the teacher's trajectory geometry: the high-noise regime, governing semantic layout and motion, and the low-noise regime, governing fine texture exhibit fundamentally different curvature and optimization behavior, so a single monolithic student cannot jointly fit both, causing severe representation interference. Motivated by this, we propose Glance Forcing, a lightweight distillation framework that decouples the denoising trajectory into two complementary slow and fast experts, each guided by a tailored, stage-specific objective, while keeping the pretrained teacher entirely frozen. This decoupling further reveals a general mechanism underlying few-step distillation: PF-ODE distillation mainly straightens the few-step trajectory geometry, while the subsequent distribution-matching stage independently governs distributional quality. Using only one PF-ODE trajectory, Glance Forcing already surpasses the fully-trained state-of-the-art baseline, raising the VBench Total score from 84.04 to 84.22 while cutting trajectory-collection cost from thousands of GPU-hours to about one A100-GPU-hour, with markedly larger gains in dynamic degree, VisionReward, and instruction-following, and consistent preference from human raters over strong baselines.
• Abstract（参考訳）: 自己回帰生成は、リアルタイム、因果的ビデオ合成の基盤となり、ビデオワールドモデルのバックボーンとなっている。 今日の支配的なアプローチは、双方向の拡散モデルを因果的な数ステップの学生に蒸留するが、既存のパイプラインは、この変換を違法に高価にし、数万のGPU時間とテラバイトのストレージを必要とするオフラインのProbability Flow ODE} (PF-ODE)トラジェクトリを必要とする。 我々はそれを劇的に効率良くできることを示した。 この効率を極端に推し進めると、軌道の監督を1つのサンプルに減らし、可能な限り厳密な設定をし、それが深刻な品質崩壊を引き起こすことを発見した。 我々はこれを教師の軌跡に遡る: ハイノイズ体制、意味的レイアウトと動作の統制、低ノイズ体制、微妙なテクスチャの支配は基本的に異なる曲率と最適化の振る舞いを示すため、一人のモノリシックな学生は両立できず、激しい表現干渉を引き起こす。 そこで我々はGlance Forcingを提案する。Glance Forcingは、学習済みの教師が完全に凍結しながら、学習過程を2つの補完的な遅くて速い専門家に分解する軽量蒸留フレームワークである。 PF-ODE蒸留は、主に数ステップの軌跡を直線化し、その後の分布整合段階は、分布の質を独立に制御する。 1つのPF-ODE軌道のみを使用して、Glance Forcingは、VBenchトータルスコアを84.04から84.22に引き上げ、数千のGPU時間から約1のA100-GPU時間に削減した。

関連論文リスト

• Causal Forcing++: Scalable Few-Step Autoregressive Diffusion Distillation for Real-Time Interactive Video Generation [50.55853275866995]
  リアルタイムのインタラクティブなビデオ生成には、低レイテンシ、ストリーミング、コントロール可能なロールアウトが必要である。 本稿では,フレームワイドの自己回帰を1～2ステップのサンプリングで行うという,よりアグレッシブな設定について検討する。 原理的かつスケーラブルなパイプラインである textbfCausal Forcing++ を提案する。
  論文  参考訳（メタデータ） (2026-05-14T17:46:36Z)
• AnyFlow: Any-Step Video Diffusion Model with On-Policy Flow Map Distillation [70.80207977907908]
  フローマップをベースとした,最初のノンステップビデオ拡散蒸留フレームワークであるAnyFlowを紹介した。 我々は、AnyFlowがいくつかの段階において、パフォーマンスの一致を達成するか、一貫性ベースの結果を上回ることを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:06:34Z)
• Joint Geometric and Trajectory Consistency Learning for One-Step Real-World Super-Resolution [14.52346301984322]
  拡散に基づくReal-World Image Super-Resolution (Real-ISR)は、印象的な知覚品質を実現するが、反復サンプリングによる高い計算コストに悩まされる。 本稿では,GTASR(Geometric Trajectory Alignment Super-Resolution)を提案する。
  論文  参考訳（メタデータ） (2026-02-27T18:13:31Z)
• B-DENSE: Branching For Dense Ensemble Network Learning [2.972979055997652]
  マルチブランチ軌道アライメントを利用した新しいフレームワークであるB-DENSEを提案する。 B-DENSEは、トレーニングの初期段階からソリューション空間をナビゲートすることを学び、優れた画像生成品質を示す。
  論文  参考訳（メタデータ） (2026-02-17T19:40:58Z)
• ArcFlow: Unleashing 2-Step Text-to-Image Generation via High-Precision Non-Linear Flow Distillation [87.54456066636811]
  拡散モデルは、シーケンシャルなデノナイジングステップに依存するため、かなりの推論コストに悩まされる。 ArcFlowは数段階の蒸留フレームワークであり、事前訓練された教師の軌跡を近似するために、非線形フロー軌跡を明示的に用いている。 2つのNFEで40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） (2026-02-09T18:56:14Z)
• Single Trajectory Distillation for Accelerating Image and Video Style Transfer [22.304420035048942]
  拡散に基づくスタイリング手法は、通常、イメージ・ツー・イメージやビデオ・ツー・ビデオのタスクにおいて、特定の部分的なノイズ状態から逸脱する。 特定部分雑音状態から始まる単一軌道蒸留(STD)を提案する。 提案手法は,スタイルの類似性や美的評価の観点から,既存の加速度モデルを超えている。
  論文  参考訳（メタデータ） (2024-12-25T16:40:23Z)
• 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)

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。