FlashMotion: 軌道ガイダンスによる数ステップ制御可能なビデオ生成
FlashMotion: Few-Step Controllable Video Generation with Trajectory Guidance
March 12, 2026
著者: Quanhao Li, Zhen Xing, Rui Wang, Haidong Cao, Qi Dai, Daoguo Dong, Zuxuan Wu
cs.AI
要旨
軌道制御可能なビデオ生成の最近の進展は目覚ましい進歩を遂げている。従来手法は主に、事前定義された軌道に沿った精密な動き制御のためにアダプタベースのアーキテクチャを採用してきた。しかし、これらの手法はすべて多段階のノイズ除去プロセスに依存しており、大幅な時間的冗長性と計算コストを招いている。既存のビデオ蒸留手法は多段階ジェネレータを少数段階に蒸留することに成功しているが、これらのアプローチを軌道制御可能なビデオ生成に直接適用すると、ビデオ品質と軌道精度の両方で顕著な劣化が生じる。この課題を解決するため、我々は少数段階での軌道制御可能なビデオ生成のために設計された新しい訓練フレームワークであるFlashMotionを提案する。まず、精密な軌道制御のために多段階ビデオジェネレータ上で軌道アダプタを訓練する。次に、ビデオ生成を高速化するため、ジェネレータを少数段階版に蒸留する。最後に、拡散目標と敵対的目標を組み合わせたハイブリッド戦略を用いてアダプタをファインチューニングし、高品質で軌道精度の高いビデオを生成するために少数段階ジェネレータと整合させる。評価のために、長系列の軌道制御可能なビデオ生成のためのベンチマークであるFlashBenchを導入し、様々な数の前景オブジェクトにわたるビデオ品質と軌道精度の両方を測定する。2つのアダプタアーキテクチャを用いた実験により、FlashMotionが既存のビデオ蒸留手法および従来の多段階モデルを、視覚品質と軌道一貫性の両方で凌駕することを示す。
English
Recent advances in trajectory-controllable video generation have achieved remarkable progress. Previous methods mainly use adapter-based architectures for precise motion control along predefined trajectories. However, all these methods rely on a multi-step denoising process, leading to substantial time redundancy and computational overhead. While existing video distillation methods successfully distill multi-step generators into few-step, directly applying these approaches to trajectory-controllable video generation results in noticeable degradation in both video quality and trajectory accuracy. To bridge this gap, we introduce FlashMotion, a novel training framework designed for few-step trajectory-controllable video generation. We first train a trajectory adapter on a multi-step video generator for precise trajectory control. Then, we distill the generator into a few-step version to accelerate video generation. Finally, we finetune the adapter using a hybrid strategy that combines diffusion and adversarial objectives, aligning it with the few-step generator to produce high-quality, trajectory-accurate videos. For evaluation, we introduce FlashBench, a benchmark for long-sequence trajectory-controllable video generation that measures both video quality and trajectory accuracy across varying numbers of foreground objects. Experiments on two adapter architectures show that FlashMotion surpasses existing video distillation methods and previous multi-step models in both visual quality and trajectory consistency.