論文の概要: Latent Space Jam: Layout Guided Video Synthesis
- arxiv url: http://arxiv.org/abs/2610.30390v1
- Date: Wed, 21 Oct 2026 19:48:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.123422
- Title: Latent Space Jam: Layout Guided Video Synthesis
- Title（参考訳）: ラテント・スペースジャム:レイアウトガイド付きビデオ合成
- Abstract要約: 本稿では,映像拡散モデルを用いてオブジェクトとレイアウトを制御する学習自由アプローチを提案する。
提案手法は2つのパスで動作し,第1に,粗いビジュアルガイドを生成するために,急速誘導によるクロスアテンションを通し,第2に,高品質なビデオレイアウトに一貫性のある映像を生成するために,同じモデルを条件付けする。
- 参考スコア（独自算出の注目度）: 11.20141852446264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Adding control to video generation often requires training, which demands additional computational resources, data, or architectural changes. We propose a training-free approach that utilizes pretrained video diffusion models to control object layout and motion using coarse layouts. Our method operates in two passes: first, it steers spatiotemporal placement through prompt-guided cross-attention to produce a coarse visual guide; second, this guide conditions the same model to generate a high-quality, layoutconsistent video. The approach enables coordinated motion with strong temporal consistency, supporting diverse trajectories and object interactions without additional training. Extensive experiments show that our method consistently outperforms prior work in overlap and trajectory accuracy, as well as visual quality across static, dynamic, and multi-object scene settings.
- Abstract（参考訳）: ビデオ生成に制御を追加するには、しばしばトレーニングが必要であり、追加の計算リソース、データ、アーキテクチャの変更が必要になる。
本稿では,事前学習した映像拡散モデルを用いて,粗いレイアウトを用いて物体のレイアウトと動きを制御する訓練自由アプローチを提案する。
提案手法は2つのパスで動作し,第1に,粗いビジュアルガイドを生成するため,第2に,高画質なレイアウト整合性ビデオを生成するために,時空間配置の時空間配置を誘導する。
このアプローチは、強い時間的整合性を持つ協調運動を可能にし、追加の訓練なしに多様な軌跡や物体の相互作用をサポートする。
広汎な実験により,本手法は,静的,動的,多目的のシーン設定における視覚的品質だけでなく,重複や軌跡の精度において,先行作業よりも常に優れることがわかった。
関連論文リスト
- WorldForge V2: Eliciting Camera-Trajectory Alignment in Video Diffusion Models [53.2667526966898]
ビデオ拡散モデルはリッチな3D/4Dプリエントを学習し、シーン生成とビデオ再レンダリングを約束している。
タスク固有の微調整や後処理のワープといった既存のアプローチでは、視覚的なアーティファクトを導入したり、一般化が不十分だったり、計算コストが高かったりすることが多い。
我々は,事前学習ビデオモデルの生成能力を保ちながら,正確なカメラ制御を実現するためにWorldForge V2を提案する。
論文 参考訳（メタデータ） (2026-10-22T17:53:03Z) - Show Me: Unifying Instructional Image and Video Generation with Diffusion Models [16.324312147741495]
画像の操作と映像の予測を可能にする統一的なフレームワークを提案する。
構造的忠実度と時間的コヒーレンスを改善するために,構造的および運動的整合性報酬を導入する。
多様なベンチマーク実験により,本手法は指導画像と映像生成の両方において,専門家モデルよりも優れていることが示された。
論文 参考訳（メタデータ） (2025-11-21T23:24:28Z) - Frame Guidance: Training-Free Guidance for Frame-Level Control in Video Diffusion Models [59.62564091684881]
フレームレベル信号に基づく制御可能なビデオ生成のためのトレーニング不要ガイダンスであるFrame Guidanceを提案する。
そこで本研究では,メモリ使用量を大幅に削減する簡易な潜時処理手法を提案する。
我々は,グローバルコヒーレントビデオ生成のために設計された新しい潜在最適化手法を適用した。
論文 参考訳（メタデータ） (2025-06-08T14:54:41Z) - Animate Your Motion: Turning Still Images into Dynamic Videos [58.63109848837741]
本稿では,マルチモーダル入力を管理する新しい手法であるScene and Motion Conditional Diffusion (SMCD)を紹介する。
SMCDは、認識されたモーションコンディショニングモジュールを組み込み、シーン条件を統合するための様々なアプローチを調査する。
我々のデザインは映像の品質、動きの精度、セマンティック・コヒーレンスを大幅に向上させる。
論文 参考訳（メタデータ） (2024-03-15T10:36:24Z) - InstructVid2Vid: Controllable Video Editing with Natural Language Instructions [97.17047888215284]
InstructVid2Vidは、人間の言語命令でガイドされたビデオ編集のためのエンドツーエンドの拡散ベースの方法論である。
我々のアプローチは、自然言語ディレクティブによって案内される映像操作を強化し、サンプルごとの微調整や逆変換の必要性を排除します。
論文 参考訳（メタデータ） (2023-05-21T03:28:13Z)
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。