DCARL：自己回帰型ロングトラジェクトリービデオ生成のための分割統治フレームワーク

要旨: 長軌道（ロングトラジェクトリ）動画生成は、既存の動画拡散モデル（VDM）のスケーラビリティが限られていることが主な理由で、極めて重要でありながらも困難な課題です。オートレグレッシブ（自己回帰）モデルは、無限ロールアウトを可能にする一方で、視覚的ドリフトや制御性の低さに悩まされます。これらの問題に対処するために、DCARL（Divide-and-Conquer Autoregressive with Keyframes and Interpolation）を提案します。これは、新しい divide-and-conquer（分割統治）とオートレグレッシブの枠組みであり、分割統治スキームの構造的安定性と、VDMの高忠実度生成を効果的に組み合わせます。提案手法ではまず、時間圧縮を行わずに訓練された専用のキーフレーム生成器を用いて、長距離かつ大域的に整合した構造アンカーを確立します。その後、補間生成器が、重なり合う区間を用いてオートレグレッシブに密なフレームを合成します。ここでは、キーフレームによって大域的文脈を与え、さらに局所的な整合性のために、単一のクリーンな直前フレームを用います。大規模なインターネット長軌道動画データセットで学習した本手法は、最先端のオートレグレッシブおよび分割統治のベースラインと比較して、映像品質（FIDおよびFVDの低さ）とカメラ追従性（ATEおよびAREの低さ）の両方で優れた性能を達成し、最大32秒の長軌道動画に対して安定かつ高忠実度な生成を示します。