論文の概要: Looking Ahead: Modeling Future Evolution in Autoregressive Video Generation

• arxiv url: http://arxiv.org/abs/2610.29989v1
• Date: Wed, 21 Oct 2026 16:28:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.409726
• Title: Looking Ahead: Modeling Future Evolution in Autoregressive Video Generation
• Title（参考訳）: 振り返って - 自己回帰ビデオ生成における未来の進化をモデル化する
• Abstract要約: 教師の強制の下では、強い時間的冗長性により、局所的な視覚的連続性は現在のチャンク認知のショートカットとして機能する可能性がある。 本稿では,教師力の認知を併用した補助目標であるFuture Chunk Prediction (FCP)を紹介する。 FCPは、介入する視覚的コンテキストにアクセスすることなく、時間的に分離されたチャンクを予測する。
• 参考スコア（独自算出の注目度）: 63.38247389687543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoregressive video diffusion models generate videos chunk by chunk, yet producing plausible continuations does not guarantee that they capture how scenes evolve. Under teacher forcing, strong temporal redundancy may allow local visual continuity to serve as a shortcut for current-chunk denoising, reducing the pressure to model visual evolution. We introduce Future Chunk Prediction (FCP), an auxiliary objective jointly optimized with teacher-forced denoising that predicts temporally separated chunks without access to the intervening visual context. Drawing supervision directly from training videos, FCP requires no additional pretrained visual encoder and leaves autoregressive inference unchanged. Our method achieves superior physical plausibility over standard teacher-forced autoregressive training with a lower overall training compute budget, highlighting the effectiveness and efficiency of future-chunk supervision for modeling visual evolution. Intriguingly, our visualizations suggest that FCP fosters a more structured representation space, which may be valuable for building autoregressive world models.
• Abstract（参考訳）: 自動回帰ビデオ拡散モデルは、一括してビデオチャンクを生成するが、もっともらしい連続を生成することは、シーンの進化を捉えることを保証しない。 教師の強制の下では、強い時間的冗長性により、局所的な視覚的連続性は、現在のチョークのデノイングのショートカットとして機能し、視覚的進化をモデル化する圧力を減らすことができる。 本研究では,教師の強制的認知と協調的に最適化された補助目標であるFuture Chunk Prediction (FCP)を導入し,時間的に切り離されたチャンクを視覚的コンテキストにアクセスせずに予測する。 トレーニングビデオから直接監督を引き出すため、FCPは事前訓練された視覚エンコーダを必要とせず、自己回帰推論は変わらない。 本手法は, 教師による自己回帰学習よりも, 総合的なトレーニング計算予算を低くすることで, 視覚的発達をモデル化するための将来のチャンク管理の有効性と効率性を明らかにする。 興味深いことに、われわれの視覚化は、FCPがより構造化された表現空間を育み、自己回帰的世界モデルを構築するのに有用かもしれないことを示唆している。

関連論文リスト

• Generative Pre-trained Autoregressive Diffusion Transformer [74.25668109048418]
  GPDiT(GPDiT)は、自動回帰拡散変換器である。 長距離ビデオ合成における拡散と自己回帰モデリングの強みを統一する。 拡散損失を用いて将来の潜伏フレームを自動回帰予測し、運動力学の自然なモデリングを可能にする。
  論文  参考訳（メタデータ） (2025-05-12T08:32:39Z)

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。