論文の概要: NextGAN: Towards Simple and Scalable GAN Training for Image and Video Generation

• arxiv url: http://arxiv.org/abs/2611.06270v1
• Date: Wed, 04 Nov 2026 10:16:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.054008
• Title: NextGAN: Towards Simple and Scalable GAN Training for Image and Video Generation
• Title（参考訳）: NextGAN: 画像とビデオ生成のためのシンプルでスケーラブルなGANトレーニングを目指して
• Abstract要約: NEXTGANは、入力勾配を変位に回帰することでスカラー評論家を訓練する。 ImageNetの$256の256$で、NEXTGANはピクセル空間のJIT-Bで2.87、遅延空間のDiT-XL/1で1.54のFIDを達成している。 テキスト対ビデオ生成では、ワンステップ、ツーステップ、および4ステップのサンプリングをサポートする単一のトレーニングされたWan2.1-1.3Bモデルがサポートされている。
• 参考スコア（独自算出の注目度）: 22.3142024157829
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Adversarial training enables one- and few-step image and video generation, but conventional adversarial losses supervise critic values without directly specifying the gradients used to update the generator. We present NEXTGAN, which trains a scalar critic by regressing its input gradient onto displacements between independently paired reference and generated features at interpolated locations in frozen representation spaces. For a fixed generator, this regression is equivalent to an adversarial objective with a gradient-energy penalty, while the generator retains the standard potential-based GAN update. The same objective adapts pre-trained image and video generators with up to 14B parameters, without auxiliary losses, online teacher scores, or trajectories. On ImageNet $256 \times 256$, NEXTGAN achieves one-step FIDs of 2.87 with pixel-space JiT-B and 1.54 with latent-space DiT-XL/1; its adversarial form further reaches 1.36. For text-to-video generation, a single trained Wan2.1-1.3B model supports one-, two-, and four-step sampling, achieving the highest VBench total scores among the compared 1.3B methods at one and two steps. At two steps, NEXTGAN scores 83.13, exceeding rCM and AnyFlow by 1.25 and 0.47 points, respectively. Code is available at https://github.com/LINs-lab/NextGAN.git.
• Abstract（参考訳）: 逆行訓練は、一段階と二段階の画像生成とビデオ生成を可能にするが、従来の逆行損失は、ジェネレータの更新に使用する勾配を直接指定することなく、批判値を監督する。 NEXTGANは,凍結表現空間内の補間された位置において,独立にペア化された参照と生成された特徴との間の変位に対する入力勾配を回帰することで,スカラー評論家を訓練する。 固定発電機の場合、この回帰は勾配エネルギーのペナルティを持つ対向目標と等価であり、ジェネレータは標準電位ベースのGAN更新を保持する。 同じ目的は、トレーニング済みの画像とビデオジェネレータに最大14Bのパラメータを適用できる。 ImageNet $256 \times 256$ では、NEXTGAN はピクセル空間 JiT-B が 2.87 、遅延空間 DiT-XL/1 が 1.54 の 1 ステップ FID を達成する。 テキスト・ビデオ生成では、1つのトレーニングされたWan2.1-1.3Bモデルが1段階、2段階、4段階のサンプリングをサポートし、比較した1.3B法のうち最高スコアを1段階と2段階で達成している。 NEXTGANの得点は83.13で、それぞれ1.25点、AnyFlowが0.47点である。 コードはhttps://github.com/LINs-lab/NextGAN.gitで入手できる。

関連論文リスト

• Off-Manifold Refinement: Guiding Video Generators with a Frozen World Model [2.4870727053423236]
  Off-Manifold Refinement (OMR)は、単一のサンプリング軌道に直接ワールドモデルフィードバックを注入する推論時間法である。 固定された400-prompt VideoPhy-2の詳細部分集合では、OMRはSemantic-Adherence-and-Physical-Commonsenseを47.0%から52.0%に引き上げる。
  論文  参考訳（メタデータ） (2026-08-30T17:00:09Z)
• Beyond Token-Level Cross-Entropy: Fréchet Distributional Post-Training for Autoregressive Image Generation [20.360043829037306]
  FD-lossポストトレーニングは、表現空間フレシェ距離を唯一の目的とする事前訓練された離散ジェネレータに適応する。 クラス条件のImageNet上の4つのジェネレータファミリーから、256times256$で完了した8つの構成で、FD-lossポストトレーニングはFIDと$mathrmFD_r6$を平均41.4%、そして52.0%削減する。
  論文  参考訳（メタデータ） (2026-08-01T10:00:42Z)
• A Frozen Pixel-Space Diffusion Model Can Guide Itself with Its Own Samples [53.8898272536272]
  画素空間拡散モデルは、生のピクセル上でエンドツーエンドのジェネレータを直接学習することを目的としている。 最近の研究は、代替の予測ターゲット、訓練目標、アーキテクチャによるピクセル拡散を改善している。 我々は、より安価で相補的な戦略があることを示します。textbfaフリーズ、事前訓練されたピクセル拡散モデルは、自身をガイドすることができます。
  論文  参考訳（メタデータ） (2026-07-31T07:52:08Z)
• Three-Body Scattering for Generative Modeling [17.851305398372794]
  本研究では, 適切な分布エネルギーがサンプルレベルの運動を誘導し, 一段階発生器の直接回帰管理を可能にすることを示す。 生成のための3次元散乱モデリングは、エネルギー距離を一定サイズ毎の弾道的相互作用に変換する。 拡散関連監視,ドリフトライクなダイナミクス,およびGANライクな目的に関するデザインマップを提供する。
  論文  参考訳（メタデータ） (2026-07-20T17:38:12Z)
• Representation Distribution Matching for One-Step Visual Generation [107.84208192304455]
  表現分布マッチング(Representation Distribution Matching, RDM)の設計空間の解明 2つの設計軸、分布がどのように比較され、それらの表現が比較されるかを特定し、それに沿って制御された研究によって3つの結果が得られた。 同じレシピは4ステップのFLUX.2[klein]を1ステップのジェネレータに後付けし、GenEvalの4ステップバージョンである0.826から0.794、PickScoreの22.76から22.58を90 H200 GPU時間で上回った。
  論文  参考訳（メタデータ） (2026-07-02T16:15:38Z)
• Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
  ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。 2次元空間伝搬伝搬に基づくC-GSPNを提案する。
  論文  参考訳（メタデータ） (2026-05-30T14:29:43Z)
• iGaussian: Real-Time Camera Pose Estimation via Feed-Forward 3D Gaussian Splatting Inversion [62.09575122593993]
  iGaussianは2段階のフィードフォワードフレームワークで、直接3Dガウス変換によるリアルタイムカメラポーズ推定を実現する。 NeRF Synthetic, Mip-NeRF 360, T&T+DB データセットの実験結果から, 従来の手法に比べて大幅な性能向上が得られた。
  論文  参考訳（メタデータ） (2025-11-18T05:22:22Z)
• Representation Entanglement for Generation: Training Diffusion Transformers Is Much Easier Than You Think [63.25744258438214]
  REPAとその変種は、事前訓練されたモデルから外部の視覚表現を取り入れることで、拡散モデルのトレーニング課題を効果的に軽減する。 偏見推論過程全体において欠落している外部アライメントは、識別的表現の可能性を完全に活用するに足らないと我々は主張する。 本稿では,事前学習した基礎モデルから,低レベル画像ラテントを1つの高レベルクラストークンで絡み合わせるRepresentation Entanglement for Generation (REG)を提案する。
  論文  参考訳（メタデータ） (2025-07-02T08:29:18Z)
• David and Goliath: Small One-step Model Beats Large Diffusion with Score Post-training [8.352666876052616]
  Diff-Instruct* (DI*) は1ステップのテキスト・ツー・イメージ生成モデルのためのデータ効率のよいポストトレーニング手法である。 提案手法は,人的フィードバックからオンライン強化学習としてアライメントを行う。 我々の2.6B emphDI*-SDXL-1stepモデルは、50ステップのFLUX-devモデルより優れている。
  論文  参考訳（メタデータ） (2024-10-28T10:26:19Z)

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。