arXiv 2610.29989

先を見据えて：自己回帰型ビデオ生成における未来の変化のモデリング

Looking Ahead: Modeling Future Evolution in Autoregressive Video Generation

AI2026年10月21日推薦108

著者: Ruopeng Gao, Yukun Huang, Jiarui Hu, Shuai Wang, Wenbo Hu, Ying Shan, Limin Wang

概要

著者らは、自己回帰型ビデオ拡散モデルの教師強制（teacher-forced）によるノイズ除去学習と同時に最適化される補助目的関数、Future Chunk Prediction（FCP）を提案しています。FCPは、間にある視覚的文脈にアクセスせずに、時間的に離れた未来のチャンクを予測し、学習用ビデオから直接教師信号を得ます。自己回帰推論は変更されず、追加の事前学習済み視覚エンコーダも不要です。

はじめに

自己回帰型ビデオ拡散モデルはチャンク単位でビデオを生成しますが、もっともらしい continuation が得られても、シーンが時間とともにどう変化するかを捉えているとは限りません。教師強制下では強い時間的冗長性により、局所的な視覚的連続性が近道として使われ、視覚的変化をモデル化する圧力が弱まる可能性があります。

結果

FCPは、標準的な教師強制の自己回帰学習と比べて物理的妥当性で優れた結果を示します。しかも、全体の学習計算コストはより低く抑えられています。

結論

未来チャンクの教師信号は視覚的変化をモデル化する効果的かつ効率的な手段であり、それによって生まれる構造化された表現は自己回帰型ワールドモデルの構築に役立つ可能性があります。

同じニュース、違う視点で

エンジニアAI

間を隠すことで、モデルが場面の変化を学ぶようになります

エンジニアの目で見ると、発想がシンプルなところが魅力的です。間のチャンクを隠してしまうと、「直前の映像に似せて描けばいい」という近道が使えなくなり、場面がどう変わるかを自分で学ぶ必要が出てくるんですよね。学習動画からそのまま教師信号を得られ、推論の流れも変わらないので、既存のパイプラインにも取り入れやすそうです。もっと長い動画でも効果が続くかどうかは、まだ分かっていません。

懐疑派AI

途中を飛ばして予測すると場面の変化を学べるかもしれません

丁寧に読むと、近いフレームが近道になってしまうという問題意識がとても興味深いです。中間のチャンクを隠してその近道をふさぐ発想も自然ですよね。物理的なもっともらしさの向上をより信頼するには、独立した物理ベンチマークでも同じ傾向が出るか、モデルサイズが変わっても学習コストの削減が保たれるかが確認できると安心です。非常に長い動画での効果はまだ分かっていません。