論文の概要: Meta Inverse Prompting for Video Generative Models
- arxiv url: http://arxiv.org/abs/2610.24965v1
- Date: Sun, 18 Oct 2026 02:35:17 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:33:17.878505
- Title: Meta Inverse Prompting for Video Generative Models
- Title（参考訳）: ビデオ生成モデルのためのメタ逆プロンプト
- Abstract要約: 本稿では,時間次元に最適化されたメタプロンプトを学習し,高速かつ効果的なプロンプト推論を実現するメタビデオ逆プロンプト(MVIP)を提案する。
MVIPは画像ベースの逆転と反復キャプションベースラインと比較して、再現率を大幅に改善し、高品質な逆プロンプトを回復する。
- 参考スコア（独自算出の注目度）: 14.381884325190105
- License:
- Abstract: Recent advances in video generative models have enabled flexible conditional generation and editing pipelines, such as text-to-video, image-to-video, and reference-guided synthesis. However, these workflows are inherently one-directional, mapping conditions to videos without providing a mechanism to invert this process. In complex media production settings, the ability to recover controllable textual conditions from a given video is highly desirable, yet remains underexplored. While inverse prompting has been studied for image generation, directly extending these approaches to video is challenging due to the need to capture temporal dynamics beyond static appearance, as well as the substantial computational cost of per-video optimization. In this work, we propose the first practical framework for efficient video inverse prompting. Specifically, we formulate inverse prompting as a meta-learning problem and introduce Meta Video Inverse Prompting (MVIP), which learns a meta-prompt optimized over temporal dimensions to enable fast and effective prompt inference. Our approach amortizes the inversion process, eliminating the need for costly iterative optimization at test time. Experimental results demonstrate that MVIP recovers higher-quality inverse prompts with significantly improved reconstruction fidelity compared to image-based inversion and iterative captioning baselines, while achieving substantial gains in efficiency. Code and video results are available at https://ueriniuno.github.io/mvip-page/.
- Abstract（参考訳）: 近年のビデオ生成モデルの進歩により、テキスト・トゥ・ビデオ、画像・トゥ・ビデオ、参照誘導合成などの柔軟な条件生成および編集パイプラインが実現されている。
しかし、これらのワークフローは本質的に一方向であり、このプロセスを逆転するメカニズムを提供することなく、条件をビデオにマッピングする。
複雑なメディア制作環境では、所定のビデオから制御可能なテキスト条件を回復する能力は非常に望ましいが、まだ探索されていない。
画像生成のために逆プロンプトが研究されているが、静的な外見を超えて時間的ダイナミクスをキャプチャする必要があることや、ビデオごとの最適化に相当な計算コストがかかるため、これらのアプローチを直接ビデオに拡張することは困難である。
本研究では,効率的なビデオ逆プロンプトのための最初の実践的フレームワークを提案する。
具体的には、メタ学習問題として逆プロンプトを定式化し、時間次元に最適化されたメタプロンプトを学習し、高速かつ効果的なプロンプト推論を可能にするメタビデオ逆プロンプト(MVIP)を導入する。
当社のアプローチでは,テスト時にコストのかかる反復的な最適化の必要性を排除し,インバージョンプロセスを改善しています。
実験結果から,MVIPは画像ベースインバージョンや反復キャプションベースラインと比較して高い精度の逆プロンプトを回復するが,効率は著しく向上した。
コードとビデオの結果はhttps://ueriniuno.github.io/mvip-page/.comで公開されている。
関連論文リスト
- Mamba-VMR: Multimodal Query Augmentation via Generated Videos for Precise Temporal Grounding [19.92734717848329]
テキスト駆動ビデオモーメント検索(VMR)は、未トリミングビデオに隠された時間的ダイナミクスが限られているため、依然として困難である。
既存のアプローチでは、サブタイトルコンテキストと時間的事前生成を効果的に統合できない。
時間的接地強化のための新しい2段階フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-23T15:44:48Z) - Back to the Feature: Explaining Video Classifiers with Video Counterfactual Explanations [11.039713164587456]
対実的説明(英: Counterfactual explanations, CFE)は、モデル予測を変化させるモデルの入力を最小かつ意味的に意味のある修正である。
カウンターファクトビデオが有用であるためには、それらは物理的に妥当で、時間的に一貫性があり、スムーズな動きの軌跡を示す必要がある。
我々はビデオCFEを生成する最適化フレームワークであるBack To The Feature (BTTF)を提案する。
論文 参考訳（メタデータ） (2025-11-25T13:31:30Z) - Low-Cost Test-Time Adaptation for Robust Video Editing [4.707015344498921]
ビデオ編集は、生の映像を特定の視覚的・物語的目的に沿ったコヒーレントな作品に変換するコンテンツ創造の重要な要素である。
既存のアプローチでは、複雑なモーションパターンのキャプチャの失敗による時間的不整合、UNetバックボーンアーキテクチャの制限による単純なプロンプトへの過度な適合、という2つの大きな課題に直面している。
自己教師型補助タスクによる推論中に各テストビデオの最適化をパーソナライズする軽量なテスト時間適応フレームワークであるVid-TTAを提案する。
論文 参考訳（メタデータ） (2025-07-29T14:31:17Z) - LoViC: Efficient Long Video Generation with Context Compression [68.22069741704158]
百万単位のオープンドメインビデオに基づいてトレーニングされたDiTベースのフレームワークであるLoViCを紹介する。
当社のアプローチの核心はFlexFormerです。ビデオとテキストを統合された潜在表現に共同で圧縮する表現型オートエンコーダです。
論文 参考訳（メタデータ） (2025-07-17T09:46:43Z) - STORM: Token-Efficient Long Video Understanding for Multimodal LLMs [116.4479155699528]
STORMは、イメージエンコーダとビデオLLMの間に専用のテンポラリエンコーダを組み込んだ、新しいアーキテクチャである。
我々は,STORMが様々な長いビデオ理解ベンチマークにおいて最先端の結果を達成することを示す。
論文 参考訳（メタデータ） (2025-03-06T06:17:38Z) - Enhancing Long Video Generation Consistency without Tuning [92.1714656167712]
単一のプロンプトまたは複数のプロンプトで生成されたビデオの一貫性とコヒーレンスを高めるための課題に対処する。
本稿では,時間周波数に基づく時間的注意再重み付けアルゴリズム(TiARA)を提案する。
複数のプロンプトによって生成されたビデオに対しては、プロンプトのアライメントがプロンプトの品質に影響を及ぼすといった重要な要因をさらに明らかにする。
提案するPromptBlendは,プロンプトを系統的に整列させるプロンプトパイプラインである。
論文 参考訳（メタデータ） (2024-12-23T03:56:27Z) - Prompt-A-Video: Prompt Your Video Diffusion Model via Preference-Aligned LLM [54.2320450886902]
テキスト・ビデオ・モデルは高品質のテキスト・ビデオ・ペアを最適化することで顕著な進歩を遂げた。
現在の精製の自動化手法は、モダリティ・一貫性、コスト分散、モデルウナウエアといった課題に直面する。
Prompt-A-Videoは、特定のビデオ拡散モデルに合わせた、ビデオ中心、労働自由、調整されたプロンプトの製作に優れる。
論文 参考訳（メタデータ） (2024-12-19T18:32:21Z) - Towards Efficient and Effective Text-to-Video Retrieval with
Coarse-to-Fine Visual Representation Learning [15.998149438353133]
テキスト間検索のための2段階検索アーキテクチャを提案する。
トレーニングフェーズでは、パラメータフリーなテキストゲートインタラクションブロック(TIB)を設計し、詳細なビデオ表現学習を行う。
検索段階では、上位k候補を高速にリコールするために粗粒度映像表現を使用し、その後、細粒度映像表現によって再帰する。
論文 参考訳（メタデータ） (2024-01-01T08:54:18Z) - Deep Video Prior for Video Consistency and Propagation [58.250209011891904]
視覚的ビデオの時間的整合性に対する新規で一般的なアプローチを提案する。
提案手法は,大規模なデータセットではなく,オリジナルビデオとプロセッシングビデオのペアでのみ訓練される。
我々は、Deep Video Priorでビデオ上で畳み込みニューラルネットワークをトレーニングすることで、時間的一貫性を実現することができることを示す。
論文 参考訳（メタデータ） (2022-01-27T16:38:52Z)
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。