論文の概要: Temporal Specification Guidance for Text-to-Video Generation

• arxiv url: http://arxiv.org/abs/2610.20822v1
• Date: Wed, 14 Oct 2026 19:09:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.031496
• Title: Temporal Specification Guidance for Text-to-Video Generation
• Title（参考訳）: テキスト・ビデオ・ジェネレーションのための時間的仕様ガイダンス
• Abstract要約: 時間仕様ガイダンスは、時間仕様をサンプリング中のビデオ生成を導くための実行可能な目的に変換する。 我々はこのフレームワークを、ビデオテキストの注目トレース、メトリック時間論理の効率的な微分可能なスコア、勾配に起因した注意バイアスでインスタンス化する。 時間的制約の11のカテゴリにまたがる220のベンチマークでは、このインスタンスはCFGに対する仕様の満足度を5つのモデルで9.5～20ポイント改善し、メモリオーバーヘッドを最小限に抑える。
• 参考スコア（独自算出の注目度）: 7.7871763302632635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-video models often generate the visual concepts requested in natural language prompts but fail to satisfy their intended ordering, timing, and persistence requirements. We propose representing these requirements as specifications in a formal Temporal Logic, and introduce Temporal Specification Guidance (TSG), a training-free inference-time framework that turns temporal specifications into executable objectives for guiding video generation during sampling. TSG scores traces of visual concept evidence using differentiable quantitative semantics and uses the score's gradients to construct a specification-guided denoising direction. We instantiate this framework with video-text attention traces, efficient differentiable scores for Metric Temporal Logic, and gradient-derived attention biases. This instantiation requires neither an external concept classifier nor backpropagation through the video transformer. Its attention-steered forward pass yields a denoising direction that augments classifier-free guidance (CFG). On a benchmark of 220 prompts spanning 11 categories of temporal constraints, including ordered object entry and state transitions, this instantiation improves specification satisfaction accuracy over CFG by 9.5-20 percentage points across five models, with minimal memory overhead. These results demonstrate the potential of temporal specifications and differentiable satisfaction objectives as a flexible interface for controlling video generation.
• Abstract（参考訳）: テキスト・トゥ・ビデオ・モデルは、しばしば自然言語のプロンプトで要求される視覚概念を生成するが、意図した順序、タイミング、永続性の要求を満たすことができない。 本稿では,これらの要件を形式的な時間的論理の仕様として表現し,時間的仕様をサンプリング中のビデオ生成を導くための実行可能な目標に変換するトレーニングフリー推論時間フレームワークであるTSGを導入する。 TSGは、識別可能な定量的意味論を用いて視覚概念の証拠の痕跡をスコア化し、スコアの勾配を使って仕様導出方向を構築する。 我々はこのフレームワークを、ビデオテキストの注目トレース、メトリック時間論理の効率的な微分可能なスコア、勾配に起因した注意バイアスでインスタンス化する。 このインスタンス化は、外部概念分類器やビデオ変換器によるバックプロパゲーションを必要としない。 注意制御されたフォワードパスは、クラシファイアフリーガイダンス(CFG)を増強するデノナイジング方向を与える。 順序付けられたオブジェクトエントリや状態遷移を含む11の時間的制約にまたがる220のベンチマークでは、このインスタンスは5つのモデルの9.5～20ポイントのCFGに対する仕様の満足度を最小限のメモリオーバーヘッドで改善する。 これらの結果は、映像生成を制御するためのフレキシブルインターフェースとして、時間的仕様と相違可能な満足度目標の可能性を示している。

関連論文リスト

• Compositional Video Generation via Inference-Time Guidance [69.53614395025632]
  テキストからビデオへの拡散モデルは、しばしば構成的理解を必要とするプロンプトで失敗する。 凍結したテキスト・ビデオモデルにおける合成忠実度を改善するための推定時間誘導法であるtextbfCVG を提案する。
  論文  参考訳（メタデータ） (2026-05-14T15:50:25Z)
• VIRST: Video-Instructed Reasoning Assistant for SpatioTemporal Segmentation [6.447274127678917]
  Video Video Object (RVOS) は、自然言語による記述に基づいて、対象物をビデオに分割することを目的としている。 VIRST(Video-Instructed Reasoning Assistant for Spatio-Temporal)は,グローバルなビデオ推論と画素レベルのマスク予測を単一のモデルで統合するエンドツーエンドフレームワークである。
  論文  参考訳（メタデータ） (2026-03-28T00:34:15Z)
• Harnessing Synthetic Preference Data for Enhancing Temporal Understanding of Video-LLMs [54.502280390499756]
  我々はTimeWarpを提案し、モデルからの応答を微調整し、与えられた入力ビデオにフォーカスするよう促すために、ターゲットとなる合成時間データセットを作成する。 提案手法を既存モデルに適用すると,時間的理解ベンチマークの性能が大幅に向上することが実証された。
  論文  参考訳（メタデータ） (2025-10-04T21:48:40Z)
• TEn-CATG:Text-Enriched Audio-Visual Video Parsing with Multi-Scale Category-Aware Temporal Graph [28.536724593429398]
  TEn-CATGは、セマンティックキャリブレーションとカテゴリー対応の時間的推論を組み合わせたテキスト強化AVVPフレームワークである。 弱教師付きAVVPタスクにおいて,TEn-CATGは複雑な時間的および意味的依存関係を捕捉する堅牢性と優れた能力を実現する。
  論文  参考訳（メタデータ） (2025-09-04T10:32:40Z)
• TIME: Temporal-Sensitive Multi-Dimensional Instruction Tuning and Robust Benchmarking for Video-LLMs [56.92627816895305]
  ビデオ大言語モデルは、ビデオ質問応答のようなタスクにおいて顕著なパフォーマンスを達成した。 我々のデータセットは5つの重要な次元にわたる時間的理解の向上に焦点を当てている。 本稿では,時間に敏感なタスクを既存の命令データセットにシームレスに統合するマルチタスクプロンプト微調整手法を提案する。
  論文  参考訳（メタデータ） (2025-03-13T03:05:11Z)
• FancyVideo: Towards Dynamic and Consistent Video Generation via Cross-frame Textual Guidance [3.6519202494141125]
  我々は、既存のテキスト制御機構を改善する革新的なビデオジェネレータであるFancyVideoを紹介した。 CTGMは、TII(Temporal Information)とTAR(Temporal Affinity Refiner)をクロスアテンションの開始と終了に組み込んでいる。 提案手法は,EvalCrafterベンチマークを用いて,最先端のT2V生成結果を実現する。
  論文  参考訳（メタデータ） (2024-08-15T14:47:44Z)
• Transform-Equivariant Consistency Learning for Temporal Sentence Grounding [66.10949751429781]
  ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。 私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。 特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
  論文  参考訳（メタデータ） (2023-05-06T19:29:28Z)
• Diverse Video Captioning by Adaptive Spatio-temporal Attention [7.96569366755701]
  エンド・ツー・エンドのエンコーダ・デコーダ・ビデオキャプション・フレームワークには2つのトランスフォーマー・ベースのアーキテクチャが組み込まれている。 本稿では,必要なフレーム数を削減するための適応フレーム選択方式を提案する。 ビデオキャプションに関するセマンティックな概念を,各サンプルのすべての接頭辞の真実を集約することで推定する。
  論文  参考訳（メタデータ） (2022-08-19T11:21:59Z)

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。