Anchor Forcing: アンカー・メモリと三領域 RoPE を用いたインタラクティブストリーミング動画拡散

要旨: インタラクティブな長編動画生成には、新しい対象やイベントを導入するためのプロンプト切替が必要であり、長い時間軸にわたって知覚的忠実性と一貫した運動を維持することが求められる。最近の蒸留型ストリーミング動画拡散モデルは、長距離生成のためにローリング KV キャッシュを再利用し、各切替時に再キャッシュを行うことでプロンプト切替インタラクションを可能にしている。しかし、既存のストリーミング手法は依然として品質の徐々の劣化と運動ダイナミクスの弱体化を示す。我々は、対話型ストリーミング生成に特有の二つの失敗モードを特定した: (i) 各プロンプト切替時に、現在のキャッシュ管理は KV ベースの意味的文脈と最近の潜在的手掛かりを同時に保持できず、境界条件付けの弱化と知覚品質の低下を招く; および (ii) 蒸留の過程で、境界を持たない時間インデックスは事前学習済みバックボーンの有界 RoPE レジームからの位置分布シフトを誘発し、事前学習済みの運動事前知識と長時間の運動保持を弱める。これらの問題に対処するため、\textbf{Anchor Forcing}（アンカー・フォーシング）を提案する。キャッシュ中心のフレームワークで、二つの設計を備える。まず、アンカー案内付き再キャッシュ機構は、KV 状態をアンカーキャッシュに格納し、各プロンプト切替時にこれらのアンカーから再キャッシュをウォームスタートさせ、切替後の証拠損失を減らし、知覚品質を安定化する。次に、領域特異的参照原点を備えた三領域 RoPE と RoPE 再配置蒸留を組み合わせることで、境界を持たないストリーミングインデックスを事前学習済み RoPE レジームと和解させ、運動事前知識の保持をよりよくする。長編動画を対象とした実験では、我々の手法が対話設定における従来のストリーミングベースラインより知覚品質と運動指標を改善することを示している。プロジェクトページ: https://github.com/vivoCameraResearch/Anchor-Forcing