One-Forcing: 安定した一段階自己回帰ビデオ生成に向けて

要旨

近年の進歩により、自己回帰方式におけるリアルタイム対話型動画生成が大幅に改善された。しかし、既存のほとんどの数ステップ自己回帰動画生成手法は、対応する多ステップの教師モデルから蒸留されることが多く、4ステップのサンプリング設定をデフォルトとしており、デプロイ時にかなりのレイテンシが発生し、サンプリングステップ数をさらに削減した場合、特にワンステップ設定では深刻な品質低下を招く。軌跡型の整合性蒸留手法は動きの弱い動画を生成することが多く、一方、Self-ForcingなどのDMDベースの手法はぼやけたフレームを生じる傾向がある。この課題に対処するため、我々はOne-Forcingを提案する。これはDMD目的関数に補助的なGAN損失を追加するシンプルかつ効果的な手法であり、高品質で効率的なワンステップ動画生成を実現する。VBenchでの実験では、One-Forcingが総合スコア83.76を達成し、ワンステップ因果動画生成手法の中で最先端の性能を確立し、強力な多ステップ手法と競合する水準を維持していることを示している。さらに、ワンステップのフレーム単位自己回帰生成が、チャンク単位モデルの訓練コストのわずか3分の1で安定して達成可能であり、これは従来の手法では成功しなかった設定であることを示す。

English

Recent advances have substantially improved real-time interactive video generation in the autoregressive regime. However, most existing few-step autoregressive video generation methods, often distilled from a corresponding many-step teacher, default to a 4-step sampling configuration, which still incurs considerable latency during deployment and suffers from severe quality degradation when the number of sampling steps is further reduced, particularly in the one-step setting. Trajectory-style consistency distillation methods often produce videos with weak dynamics, while DMD-based approaches, such as Self-Forcing, tend to yield blurry frames. To address this challenge, we propose One-Forcing, a simple yet effective approach which augments the DMD objective with an auxiliary GAN loss for high-quality and efficient one-step video generation. Experiments on VBench show that One-Forcing achieves a total score of 83.76, establishing state-of-the-art performance among one-step causal video generation methods and remaining competitive with strong many-step approaches. We further demonstrate that one-step framewise autoregressive generation can be achieved stably with merely one-third of the training cost of the chunkwise model, a setting that prior methods have failed to achieve successfully.