論文の概要: RECAP: Reciprocal Sparse Attention and Hierarchical Caching for Efficient Video Diffusion

• arxiv url: http://arxiv.org/abs/2610.26244v1
• Date: Mon, 19 Oct 2026 12:03:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 18:43:42.378957
• Title: RECAP: Reciprocal Sparse Attention and Hierarchical Caching for Efficient Video Diffusion
• Title（参考訳）: RECAP:効率的なビデオ拡散のための相互スパース注意と階層キャッシング
• Abstract要約: 相互補正により,疎注意を階層キャッシングと組み合わせたトレーニングフリーなRECAPを提案する。 720p 5秒のHunyuanVideoでは、RECAPは3.05倍のスピードアップを実現し、テストされたすべての直接合成を忠実度と推論速度の両方で上回っている。
• 参考スコア（独自算出の注目度）: 40.34990427735821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion transformers generate high-quality videos but remain computationally expensive. Sparse attention and temporal caching reduce computation within and across denoising steps, respectively, offering a natural composition. However, predictions produced with sparse attention become sources for temporal reuse, coupling their errors along the sampling trajectory. We observe that improving the accuracy of these sources recovers fidelity without changing the reuse schedule, and that sparsification errors remain directionally aligned across nearby steps, suggesting that correction information can be shared rather than recomputed. These observations motivate RECAP, a training-free method that couples sparse attention with hierarchical caching through reciprocal correction, adaptively coordinated by online error feedback. Cached dense refinement corrects omitted interactions in current sparse estimates, while fresh sparse statistics track input changes and regulate the aging correction. The resulting predictions then renew the sources for whole-step prediction reuse, allowing prediction history to advance between dense refreshes. We evaluate RECAP on multiple video diffusion models against sparse-attention methods, caching methods, and their direct compositions. On HunyuanVideo at 720p 5-second generation, RECAP achieves a 3.05x speedup and outperforms all tested direct compositions in both fidelity and inference speed.
• Abstract（参考訳）: 拡散変換器は高品質なビデオを生成するが、計算コストは高い。 スパースアテンションとテンポラリキャッシングは、それぞれ自然な構成を提供しながら、デノナイジングステップ内の計算を減らします。 しかし、少ない注意で生成された予測は、時間的再利用の源となり、サンプリング軌道に沿ってエラーを結合する。 再利用スケジュールを変更することなく、これらの情報源の精度の向上が忠実さを回復し、スペーシフィケーションエラーが近隣のステップにわたって方向整列されることを観察し、修正情報を再計算するのではなく共有できることを示唆した。 これらの観察は、オンラインエラーフィードバックによって適応的に調整された相互補正を通じて、疎注意と階層的なキャッシングを結合するトレーニング不要のRECAPを動機付けている。 Cached高密度化は、現在のスパース推定における省略された相互作用を補正する一方、新しいスパース統計は入力の変化を追跡し、老化補正を規制する。 結果として得られた予測は、全ステップの予測再利用のためのソースを更新し、密度の高いリフレッシュの間に予測履歴を前進させる。 我々は,複数のビデオ拡散モデル上で,スパースアテンション法,キャッシング法,直接合成法に対してRECAPを評価する。 720p 5秒のHunyuanVideoでは、RECAPは3.05倍のスピードアップを達成した。

関連論文リスト

• PoSTCache: From Forecasting to Postdictive Smoothing for Revisable Diffusion Caching [68.12596053500104]
  拡散およびフローマッチングモデルは印象的な視覚的生成品質を達成するが、反復サンプリングのため計算コストは高い。 提案する textPoSTCache (emphPostdictive Smoothing Trajectory Cache) は,拡散キャッシングを修正可能なトラジェクトリ推論として再構成する,トレーニングフリーでプラグアンドプレイのフレームワークである。
  論文  参考訳（メタデータ） (2026-10-19T02:11:29Z)
• Heuristics are Not Enough: Calibrated and Corrected Caching for Video Diffusion Acceleration [9.021039155526394]
  textbfAlignCacheはクローズドループキャッシュフレームワークで、スケジューリング決定と最終生成ビデオに対する真の影響を一致させる。 静的リスクアキュムレータからフィードバック駆動の自己修正コントローラにスケジュールを変換することにより、AlignCacheは最先端のビデオ生成モデル間での優れたアクセラレーション品質のトレードオフを一貫して達成する。
  論文  参考訳（メタデータ） (2026-10-12T10:28:47Z)
• TGuide: Faster Autoregressive Video Diffusion via Historical Trajectory Guidance [69.22347589094333]
  本稿では,Anchor-Transport-Correct(ATC)予測器を通じて自動回帰ビデオ拡散を高速化するフレームワークであるTGuideを紹介する。 現在のチャンクの前段特徴は空間構造を保ち、前のチャンクの同段特徴は目標認知段階の情報を提供する。 Self Forcing、Causal Forcing、HY-WorldPlayの実験では、TGuideは生成品質を保ちながら、オリジナルの4ステップジェネレータよりも最大1.89タイムの速度アップを実現している。
  論文  参考訳（メタデータ） (2026-10-10T07:16:40Z)
• Temporal Concentration from Rollout Errors: Implicit Preference Optimization for Text-to-Video Diffusion [33.237232061796796]
  運動崩壊、物体のひらめき、色過飽和といった時間的に粗い人工物は、知覚現実主義にとって大きな障壁である。 既存の手法は2つの重要な制限があるため、これらの問題に対処する。 本稿では,ビデオ拡散モデルのためのトレーニング後フレームワークである集中型インプリシト・プレフレクション・最適化(cIPO)を提案する。
  論文  参考訳（メタデータ） (2026-07-30T11:36:48Z)
• AdaCorrection: Adaptive Offset Cache Correction for Accurate Diffusion Transformers [37.38708392928324]
  Transformer Diffusion (TDis) は高忠実さと画像生成において最先端を実現するが、反復的デノイングにより高価な推論に苦しむ。 AdaCorrectionは適応的なオフセットキャッシュ補正フレームワークで、高ジェネレーションの忠実さを維持しつつ、拡散推論中にキャッシュ層間の効率的な再利用を可能にする。 提案手法は計算オーバーヘッドを最小限に抑えながら高い生成品質を実現し, ほぼオリジナルに近いFIDを維持しながら, 適度な加速を実現している。
  論文  参考訳（メタデータ） (2026-02-13T08:11:54Z)
• Stable Video Infinity: Infinite-Length Video Generation with Error Recycling [76.91310169118408]
  本研究では、高時間一貫性、可視的シーン遷移、制御可能なストリーミングストーリーラインを有する無限長ビデオを生成することができる安定ビデオインフィニティ(SVI)を提案する。 SVIにはError-Recycling Fine-Tuningが組み込まれており、これはDiffusion Transformerの自己生成エラーをスーパーバイザのプロンプトにリサイクルする、新しいタイプの効率的なトレーニングである。 我々は、一貫性、創造性、条件設定を含む3つのベンチマークでSVIを評価し、その汎用性と最先端の役割を徹底的に検証した。
  論文  参考訳（メタデータ） (2025-10-10T09:45:46Z)
• DiTVR: Zero-Shot Diffusion Transformer for Video Restoration [48.97196894658511]
  DiTVRはゼロショットビデオ復元フレームワークで、拡散トランスフォーマーと軌跡を意識した注意と流れ一貫したサンプルを結合する。 我々の注意機構は、光流路に沿ってトークンを整列させ、特に時間力学に最も敏感な重要な層に重点を置いている。 フローガイドされたサンプリング装置は、低周波帯域にのみデータの一貫性を注入し、キャッシュを加速させながら高周波事前保存を行う。
  論文  参考訳（メタデータ） (2025-08-11T09:54:45Z)
• Collaborative Feedback Discriminative Propagation for Video Super-Resolution [66.61201445650323]
  ビデオ超解像法(VSR)の主な成功は、主に空間情報と時間情報を探索することに由来する。 不正確なアライメントは通常、重要なアーティファクトを備えたアライメント機能につながる。 伝搬モジュールは同じタイムステップ機能のみを前方または後方に伝播する。
  論文  参考訳（メタデータ） (2024-04-06T22:08:20Z)

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。