動画拡散モデル Cosmos-Predict2.5 を潜在アクション学習器に転用する DreamX を解説。1,200トークンを4トークンへ約300倍圧縮し、人間→ロボットのゼロショット動画転移でFVD 57.44を達成した仕組みと課題を紹介します。
Adobe Researchらが発表したMoviEditは、シーンや視点が切り替わる長尺マルチショット動画の一貫編集に取り組んだ研究です。87Kペアの自動生成と双方向×自己回帰カスケードの仕組み、編集成功率0.790の評価結果を解説します。
ストリーミング動画生成を高速化する Wave Forcing を解説。チャンク単位の因果アテンションとずらし denoising で8GPU134.8 FPS、単一GPU比7.07倍を達成した仕組みと課題を紹介します。
自己回帰動画生成の途中推定を下書きとみなし、収束したトークンを早期確定する Speculative Forcing を解説。LongLive で平均1.7ステップ・41.7fpsと約1.58倍の高速化を品質劣化なしに実現した仕組みと限界を紹介します。
ロボット世界モデルDreamTrueを解説。行動を画像としてレンダリングし、記録軌跡を改変する反事実ポストトレーニングと欠陥報酬モデルによる強化学習で、干渉欠陥率を48.12%から6.25%へ低減しました。
テキストや画像から5秒の映像と44kHz音声を同時生成する拡散基盤モデル Kandinsky 6.0 Video を解説。双方向クロスアテンションのCrossDiT構造と、強化学習で単語誤り率を約47%削減した成果を紹介します。
Shengshuが公開したVidu S2は、720pのリアルタイム対話アバター生成と実時間ビデオ編集、さらに立体動画生成を1つの枠組みに統合しました。技術の仕組みと評価結果を解説します。
同じ動きを異なる見た目で二重描画する「シャドウペア」で、動作と見た目を分離する動画ワールドモデル「ShadowDancer」を解説します。ラベルや微調整なしで動作を環境間転送し、人間動作PSNR22.4を達成しました。
線形注意KDAとMLAを融合したハイブリッド拡散Transformer「Chimera」を解説します。Wan-2.1比7.3倍の計算効率と、5秒学習から30秒動画へのゼロショット外挿でFID劣化6.5%を実現した手法と成果を紹介します。
PhiZeroは4秒の動画を256トークンの離散「物理言語」に圧縮し、VLMで未来を推論してから拡散モデルで描画する世界モデルです。Physics-IQ Verifiedなど主要ベンチマークで最高スコアを達成した仕組みを解説します。
コーディングエージェントがBlenderプログラムを書いて物理シミュレーションの下書きを作り、動画編集モデルで写実化する新手法VideoCoCoを解説。VBench-2.0の妥当性を52.18%から77.88%へ改善した仕組みを紹介します。
永続トークン「世界状態レジスタ」で複数エージェント間の世界状態を共有するストリーミング世界モデル「WorldWeaver」を解説します。二エージェントMinecraft生成でWorldScore 105.1、一貫性76.6%を達成しました。
AI-Papers
