論文の概要: ProactGen: Learning Proactive Clarification for Video Generation
- arxiv url: http://arxiv.org/abs/2610.22608v1
- Date: Thu, 15 Oct 2026 20:14:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.65535
- Title: ProactGen: Learning Proactive Clarification for Video Generation
- Title（参考訳）: ProactGen:ビデオ生成のためのプロアクティブな明確化の学習
- Abstract要約: 本稿では,プロアクティブな明確化を学習するビデオ生成フレームワークProactGenを提案する。
ProactGenは、生成されたビデオドラフトに基づく質問を通じて、ユーザの意図を導き出す。
実験により、ProactGenは、最強のベースラインのゲインの少なくとも1.8倍の直接生成よりも目標アライメントを改善することが示された。
- 参考スコア（独自算出の注目度）: 19.294355381384925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in video generation let users create high-quality videos from natural language descriptions, yet obtaining results that match user intent remains time-consuming: individual generations are computationally expensive, and underspecified prompts force repeated cycles of generation, inspection, and revision. Existing video prompt optimization methods improve generation through automatic rewriting, but cannot supply the ideas and preferences that were not in the initial description. We propose ProactGen, a video generation framework that learns proactive clarification, eliciting user intent through questions grounded in generated video drafts. Specifically, we train a vision-language model as a questioning policy with reinforcement learning: observing the initial prompt and a video draft, it learns to ask the questions most valuable to downstream generation, rewarded by the alignment between the final generated video and a target reference. We further find that effective questioning does not require drafts of final-output quality, and exploit this property by generating drafts with fewer denoising steps, keeping the added cost of clarification low. Experiments show that ProactGen improves target alignment over direct generation by at least 1.8x the gain of the strongest baselines. Moreover, a single round of ProactGen already exceeds the alignment that the strongest baseline reaches after four refinement rounds, in 29% of its time.
- Abstract（参考訳）: ビデオ生成の最近の進歩により、ユーザーは自然言語の記述から高品質なビデオを作成することができるが、個々の世代は計算に高価であり、特定されていないプロンプトは、生成、検査、修正の繰り返しを強制する。
既存のビデオプロンプト最適化手法は自動書き換えによって生成を改善するが、初期記述にないアイデアや好みは提供できない。
ProactGenは、プロアクティブな明確化を学習し、生成したビデオドラフトに基づく質問を通じてユーザ意図を抽出する、ビデオ生成フレームワークである。
具体的には、初期プロンプトとビデオドラフトを観察し、最終生成ビデオと対象参照とのアライメントにより、下流生成に最も価値のある質問を学習する。
さらに、有効な質問は最終出力品質のドラフトを必要とせず、より少ない段階のドラフトを生成して、付加的な明確化コストを低く抑えることで、この特性を活用できることを見出した。
実験により、ProactGenは、最強のベースラインのゲインの少なくとも1.8倍の直接生成よりも目標アライメントを改善することが示された。
さらに、ProactGenの1ラウンドは、4回のリファインメントラウンドの後に最強のベースラインが到達したアライメントを、その時間の29%ですでに上回っている。
関連論文リスト
- SemanticGen: Video Generation in Semantic Space [60.49729308406981]
最先端のビデオ生成モデルは、通常、VAE空間内のビデオ潜像の分布を学習し、VAEデコーダを使用してピクセルにマッピングする。
我々はセマンティックGenを紹介した。セマンティックGenはセマンティックな空間でビデオを生成する新しいソリューションだ。
提案手法は,長大なビデオ生成に拡張した場合にも有効であり,計算的にも効率的である。
論文 参考訳（メタデータ） (2025-12-23T18:59:56Z) - Identity-Preserving Text-to-Video Generation via Training-Free Prompt, Image, and Guidance Enhancement [58.85593321752693]
アイデンティティ保存型テキスト・ツー・ビデオ(IPT2V)生成は、参照対象画像とテキストプロンプトの両方に忠実なビデオを生成する。
本稿では,映像記述と参照画像のセマンティックギャップを橋渡しする,トレーニングフリープロンプト,イメージ,ガイダンス拡張フレームワークを提案する。
ACM Multimedia 2025 Identity-Preserving Video Generation Challengeで優勝した。
論文 参考訳（メタデータ） (2025-09-01T11:03:13Z) - NarrLV: Towards a Comprehensive Narrative-Centric Evaluation for Long Video Generation [0.05417521241272644]
長いビデオ生成タスクの目標は、ビデオの長さを延ばすだけでなく、長いビデオの中でよりリッチな物語コンテンツを正確に表現することである。
提案するNarrLVは,Long Video生成モデルのナラティブ表現能力を総合的に評価する最初のベンチマークである。
論文 参考訳（メタデータ） (2025-07-15T12:19:18Z) - ASurvey: Spatiotemporal Consistency in Video Generation [72.82267240482874]
動的視覚生成手法を利用した映像生成手法は人工知能生成コンテンツ(AIGC)の境界を押し下げる
最近の研究は、映像生成における時間的一貫性の問題に対処することを目的としているが、この観点からの文献レビューはほとんど行われていない。
基礎モデル,情報表現,生成スキーム,後処理技術,評価指標の5つの重要な側面を網羅して,映像生成の最近の進歩を体系的に検討した。
論文 参考訳（メタデータ） (2025-02-25T05:20:51Z) - VideoAuteur: Towards Long Narrative Video Generation [22.915448471769384]
本稿では,調理領域における長めの物語生成を促進するために,大規模な調理ビデオデータセットを提案する。
生成ビデオにおける視覚的・意味的コヒーレンスを高めるために,Long Narrative Video Directorを導入する。
本手法は,視覚的細部および意味的整合性の生成における大幅な改善を示す。
論文 参考訳（メタデータ） (2025-01-10T18:52:11Z) - Video Generation from Text Employing Latent Path Construction for
Temporal Modeling [70.06508219998778]
ビデオ生成は、機械学習とコンピュータビジョンの分野における最も困難なタスクの1つである。
本稿では,映像生成の条件形式であるテキストから映像生成の問題に取り組む。
自然言語文からのビデオ生成が人工知能に重要な影響を与えると考えている。
論文 参考訳（メタデータ） (2021-07-29T06:28:20Z) - What comprises a good talking-head video generation?: A Survey and
Benchmark [40.26689818789428]
本稿では,標準化されたデータセット前処理戦略を用いた対話型ビデオ生成の評価ベンチマークを提案する。
提案手法は,対話型ビデオに望ましい特性とみなす結果を評価するために,新しい指標を提案するか,最も適した指標を選択する。
論文 参考訳（メタデータ） (2020-05-07T01:58:05Z)
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。