Temporal Specification Guidance for Text-to-Video Generation
中文摘要
由模型生成 · 人工抽检该论文提出时序规范引导（TSG），将文本到视频生成中的顺序、时序与持续要求形式化为时序逻辑规范，在推理阶段无需训练即可将规范转化为可微目标，通过视频-文本注意力轨迹的梯度构造去噪方向，增强CFG。在220条提示上，五个模型的规范满足准确率提升9.5-20个百分点，内存开销极小。
全文
已译中文arXiv:2610.20822v1 公告类型：新
摘要：文本到视频模型通常能生成自然语言提示词中所要求的视觉概念，却无法满足其预期的顺序、时序与持续时长要求。我们提出将这类要求表示为形式化时序逻辑（Temporal Logic）中的规约（specification），并引入时序规约引导（Temporal Specification Guidance，TSG）——一个无需训练的推理时框架，它将时序规约转化为可执行目标，在采样过程中引导视频生成。TSG 使用可微的定量语义对视觉概念证据的轨迹进行打分，并利用该分数的梯度构造规约引导的去噪方向。我们以视频-文本注意力轨迹、针对度量时序逻辑（Metric Temporal Logic）的高效可微分数以及由梯度导出的注意力偏置来实例化该框架。该实例化既不需要外部概念分类器，也不需要穿过视频 Transformer 的反向传播。其注意力引导的前向传播产生一个去噪方向，用以增强无分类器引导（CFG）。在一个包含 220 条提示词、覆盖 11 类时序约束（包括有序物体进入与状态转换）的基准测试上，该实例化在五个模型上将规约满足准确率相较 CFG 提升 9.5–20 个百分点，且内存开销极小。这些结果展示了时序规约与可微满足目标作为控制视频生成的灵活接口的潜力。
本译文由模型自动生成，仅供参考与快速理解；涉及数字、版本、命令、法律条文等请以原文为准。
原文附件
2 个 · 均跳转原站，本站不托管文件正文为原站公开内容的抓取与清洗结果，英文条目附模型生成的中文译文；两者均仅供参考， 准确内容请以原站为准。内容版权归原作者所有，若认为侵权请联系我们下线。