論文・研究

VideoFlexTok:可変長の粗から細への動画トークン化

原題:VideoFlexTok: Flexible-Length Coarse-to-Fine Video Tokenization

AI 要約

VideoFlexTokは可変長トークン系列による動画表現手法を提案し、粗から細への構造を採用する。最初のトークンが意味や動きなどの抽象情報を捉え、後続のトークンが細部を追加し、生成フローデコーダーが任意のトークン数での動画再構成を可能にする。従来の3Dグリッドトークン化と比べ、下流のニーズに応じてトークン数を調整でき、同じ予算でより長い動画を符号化できる。カテゴリおよびテキストから動画への生成タスクで、VideoFlexTokは1.1Bパラメータ(5.2Bの5分の1)で同等の生成品質(gFVDとViCLIP Score)を達成した。10秒81フレームの動画を扱うテキストから動画へのモデルのトレーニングは672トークンで済み、同等の3Dグリッドトークナイザーより8倍少ない。

要点

  • VideoFlexTokは可変長トークン系列による動画表現手法を提案し、粗から細への構造を採用する。
  • 最初のトークンが意味や動きなどの抽象情報を捉え、後続のトークンが細部を追加し、生成フローデコーダーが任意のトークン数での動画再構成を可能にする。
  • 従来の3Dグリッドトークン化と比べ、下流のニーズに応じてトークン数を調整でき、同じ予算でより長い動画を符号化できる。
  • カテゴリおよびテキストから動画への生成タスクで、VideoFlexTokは1.
  • 1Bパラメータ(5.

概要

公開日時
更新日時
出典
Apple Machine Learning Research(RSS)
カテゴリ
論文・研究
AI スコア
56
原文を読む 情報源で全文を読む
おすすめの理由

把视频 tokenization 从固定网格改成变长 coarse-to-fine,训练效率提升明显,还能做更长的视频。研究角度挺漂亮,但离产品落地还有距离,做视频生成的可以追一下。

出典と著作権

本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。

原文記事 · AIHOT 記事

引用方法

本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。

Orange News:VideoFlexTok:可変長の粗から細への動画トークン化。2026年7月2日。https://new.nat6.net/ja/news/cmr3rd0l901busl7l11krygj3/

すべて見る →