論文の概要: SyncVid: World-Equivariant Diffusion for Synchronized Video Generation

• arxiv url: http://arxiv.org/abs/2610.31765v1
• Date: Thu, 22 Oct 2026 18:04:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.258267
• Title: SyncVid: World-Equivariant Diffusion for Synchronized Video Generation
• Title（参考訳）: SyncVid: 同期ビデオ生成のための世界同変拡散
• Abstract要約: 既存のビデオ拡散のためのカメラ制御手法は、一般的に、カメラ埋め込み、クロスビューアテンション、幾何学的条件付けなどのアーキテクチャ機構に依存している。 ソースビデオから導出した標準3次元空間でガウス雑音をサンプリングすることにより拡散過程自体を同期する。 SyncVidは,モノクロ映像を標準4次元表現に上げ,ノイズをシーン形状や見えない空間に関連付け,構造化したノイズを任意のビューに合成する。
• 参考スコア（独自算出の注目度）: 43.098771884074004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating multiple videos of a dynamic scene from a single reference video requires synthesizing both observed and unobserved content consistently across viewpoints. Existing camera-control methods for video diffusion typically rely on architectural mechanisms, including camera embeddings, cross-view attention, and geometric conditioning. Although effective for static scene content, these approaches often struggle with the fine-grained, dynamic geometry that must remain coherent across views and over time. We synchronize the diffusion process itself by sampling the Gaussian noise prior in a canonical 3D space derived from the source video and rasterizing it into target cameras, rather than sampling independently in each 2D image plane. Our method, SyncVid, lifts a monocular video into a canonical 4D representation, associates noise with scene geometry and unseen space, and rasterizes the resulting structured noise into arbitrary views. Because rendering can introduce local correlations, we further propose a cross-view-consistent whitening procedure that decorrelates neighboring pixels while preserving correspondence across views. The structured noise serves as the diffusion prior for a LoRA-adapted pretrained video diffusion model, requiring no architectural modifications. By enforcing spatiotemporal and cross-view coherence at the source of stochasticity, SyncVid generates synchronized videos and improves both perceptual quality and cross-view consistency in our experiments. Project page: https://qualcomm-ai-research.github.io/SyncVid-Webpage.
• Abstract（参考訳）: 単一の参照ビデオから動的なシーンの複数のビデオを生成するには、観察されたコンテンツと観測されていないコンテンツの両方を一貫した視点で合成する必要がある。 既存のビデオ拡散のためのカメラ制御手法は、一般的に、カメラ埋め込み、クロスビューアテンション、幾何学的条件付けなどのアーキテクチャ機構に依存している。 静的なシーンコンテンツには有効だが、これらのアプローチはビューや時間の経過とともにコヒーレントでなければならない、きめ細かいダイナミックな幾何学に苦しむことが多い。 音源映像から導出される標準3次元空間でガウスノイズをサンプリングし、各2次元画像平面に独立してサンプリングするのではなく、ターゲットカメラにラスタ化することにより拡散過程自体を同期する。 SyncVidは,モノクロ映像を標準的な4次元表現に上げ,ノイズをシーン形状や見えない空間に関連付け,構造化したノイズを任意のビューにラスタライズする。 レンダリングは局所的相関を導入できるため,ビュー間の対応を保ちながら隣接する画素を関連づけるクロスビュー一貫性の白化手順も提案する。 構造化ノイズは、LoRAに適応した事前訓練されたビデオ拡散モデルの拡散として機能し、構造的な変更は不要である。 確率性源の時空間的・横断的コヒーレンスを強制することにより、SyncVidは同期ビデオを生成し、我々の実験において知覚品質と横断的一貫性の両方を改善する。 プロジェクトページ: https://qualcomm-ai-research.github.io/SyncVid-Webpage

関連論文リスト

• SymRegFlow: Symmetry-Regularized Flow Matching for Video World Models [50.31523697382425]
  EmphSymRegFlowは、マルチビュー一貫性ビデオ生成のための対称規則化フローマッチングフレームワークである。 それぞれのターゲットポーズに対して、SymRegFlowは、ソースビューをノイズアンカーに幾何学的にワープし、マスク付きデュアルアンカー監視とクロスアンカー・アウトプの一貫性を組み合わせる。 Cosmos-Drive-DreamsとnuScenesの実験は、高品質でマルチビュー一貫性のある自動運転ビデオ生成を実証している。
  論文  参考訳（メタデータ） (2026-10-02T03:02:22Z)
• CineOrchestra: Unified Entity-Centric Conditioning for Cinematic Video Generation [57.47993858752813]
  CineOrchestraは、被写体、イベント、カメラ、ショットトランジションを同時に制御する統合ビデオ拡散モデルである。 私たちの重要な洞察は、これらの異質な映画要素が基本的な構造を共有しているということです。 CineOrchestraは、高密度キャプションとショット・トランジションのタイミングで、アクセントあたりのスペシャリスト6人を上回っている。
  論文  参考訳（メタデータ） (2026-06-11T17:59:10Z)
• CameraNoise: Enabling Faithful Camera Control in Video Diffusion through Geometry-Flow-Guided Noise Warping [81.58057192696843]
  数値カメラパラメータを直接拡散バックボーンに注入する既存の方法は、抽象座標と視覚的内容の間のギャップを埋めることがしばしば失敗する。 本稿では,カメラの動きを時間的コヒーレントな表現に符号化するフロー・ツー・ノイズ・ワープ手法であるCameraNoiseを提案する。 CameraNoiseを拡散プロセスに統合することで、我々のフレームワークは安定した高忠実度ビデオを提供する。
  論文  参考訳（メタデータ） (2026-05-29T03:02:50Z)
• On Equivariance and Fast Sampling in Video Diffusion Models Trained with Warped Noise [27.524057973734145]
  入力雑音の空間変換に同値であるように、歪んだ雑音を訓練できることが示される。 これにより、入力ノイズ中の動きは、生成されたビデオ内の動きと自然に一致させることができる。 EquiVDMはサンプリングのステップをはるかに少なくすることで、同等または優れた品質を達成する。
  論文  参考訳（メタデータ） (2025-04-14T01:26:29Z)
• TANGO: Co-Speech Gesture Video Reenactment with Hierarchical Audio Motion Embedding and Diffusion Interpolation [4.019144083959918]
  TANGO(Tango)は、音声による体温映像を生成するためのフレームワークである。 TANGOは、わずか数分間のシングルスピーカー参照ビデオから、ボディジェスチャーを同期させた高忠実度ビデオを生成する。
  論文  参考訳（メタデータ） (2024-10-05T16:30:46Z)
• SyncNoise: Geometrically Consistent Noise Prediction for Text-based 3D Scene Editing [58.22339174221563]
  高忠実度3Dシーン編集のための新しい幾何誘導型マルチビュー一貫したノイズ編集手法SyncNoiseを提案する。 SyncNoiseは2次元拡散モデルで複数のビューを同期的に編集し、幾何的に一貫した多視点ノイズ予測を行う。 本手法は,特に複雑なテクスチャを持つシーンにおいて,テキストの指示に配慮した高品質な3D編集結果を実現する。
  論文  参考訳（メタデータ） (2024-06-25T09:17:35Z)
• TRIP: Temporal Residual Learning with Image Noise Prior for Image-to-Video Diffusion Models [94.24861019513462]
  TRIPは画像間拡散パラダイムの新しいレシピである。 静的画像から派生した画像ノイズをピボットして、フレーム間の関係推論を共同でトリガーする。 WebVid-10M、DTDB、MSR-VTTデータセットに関する大規模な実験は、TRIPの有効性を示している。
  論文  参考訳（メタデータ） (2024-03-25T17:59:40Z)
• Explorative Inbetweening of Time and Space [46.77750028273578]
  与えられた開始フレームと終了フレームのみに基づいて映像生成を制御するために境界生成を導入する。 Time Reversal Fusionは、開始フレームと終了フレームに条件付けられた時間的に前方および後方にデノナイジングパスを融合する。 Time Reversal Fusionは、すべてのサブタスクにおける関連する作業よりも優れています。
  論文  参考訳（メタデータ） (2024-03-21T17:57:31Z)

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。