Разнообразное генерирование видео с оптимизацией стратегии на основе детерминантного точечного процесса
Diverse Video Generation with Determinantal Point Process-Guided Policy Optimization
November 25, 2025
Авторы: Tahira Kazimi, Connor Dunlop, Pinar Yanardag
cs.AI
Аннотация
Хотя современные модели диффузии для генерации видео по текстовым описаниям (T2V) демонстрируют впечатляющее качество и соответствие промптам, они часто выдают низкоразнообразные результаты при создании нескольких видео для одного и того же текстового запроса. Мы решаем эту проблему, формулируя ее как задачу оптимизации политики на множественном уровне, с целью обучения политики, способной охватывать широкий спектр правдоподобных исходов для заданного промпта. Для этого мы представляем DPP-GRPO — новую структуру для генерации разнообразных видео, которая объединяет теорию детерминантных точечных процессов (DPP) и оптимизацию групповой относительной политики (GRPO) для явного поощрения разнообразия генерируемых результатов. Наша задача превращает разнообразие в явный сигнал, вводя уменьшающуюся отдачу для избыточных образцов (с помощью DPP) и обеспечивая групповую обратную связь по наборам кандидатов (с помощью GRPO). Наша структура является модульной и независимой от модели, она стимулирует разнообразие генерируемых видео по визуальному оформлению, движению камеры и структуре сцены без ущерба для соответствия промпту или перцептивного качества. Мы реализовали наш метод на моделях WAN и CogVideoX и показали, что он последовательно улучшает разнообразие видео в соответствии с передовыми системами оценки, такими как VBench, VideoScore, и исследованиями пользовательских предпочтений. Кроме того, мы публикуем наш код и новый эталонный набор данных, содержащий 30 000 разнообразных промптов, для поддержки будущих исследований.
English
While recent text-to-video (T2V) diffusion models have achieved impressive quality and prompt alignment, they often produce low-diversity outputs when sampling multiple videos from a single text prompt. We tackle this challenge by formulating it as a set-level policy optimization problem, with the goal of training a policy that can cover the diverse range of plausible outcomes for a given prompt. To address this, we introduce DPP-GRPO, a novel framework for diverse video generation that combines Determinantal Point Processes (DPPs) and Group Relative Policy Optimization (GRPO) theories to enforce explicit reward on diverse generations. Our objective turns diversity into an explicit signal by imposing diminishing returns on redundant samples (via DPP) while supplies groupwise feedback over candidate sets (via GRPO). Our framework is plug-and-play and model-agnostic, and encourages diverse generations across visual appearance, camera motions, and scene structure without sacrificing prompt fidelity or perceptual quality. We implement our method on WAN and CogVideoX, and show that our method consistently improves video diversity on state-of-the-art benchmarks such as VBench, VideoScore, and human preference studies. Moreover, we release our code and a new benchmark dataset of 30,000 diverse prompts to support future research.