CVPR 2026採択結果発表、テンセントの混元モデル関連論文25本以上が選出

2026年3月4日 17時03分 広東

この分野は依然として人工知能（AI）の研究の最前線であり、その方向性はマルチモーダル（多様データ統合型）技術の革新や持続可能なAIなどの領域に焦点を当てています。

2026年度版の人工知能およびコンピュータビジョンにおける最高峰の国際会議であるCVPRは、6月にデンバー・コンベンションセンターで開催されます。公開データによると、CVPR 2026には16,092件の有効な論文提出があり、最終的に4,090件が採択されました。採用率は25.42%（拒否率74.58%）で、採択された論文は口頭発表やポスター展示などの形式で発表されます。

今回の大会では審査政策をさらに強化し、「Findings」ワークショップを新設しました。これは区域主席によって推薦された、本会議での採択には至らなかったものの価値ある論文1,717件を対象としています。全体的な傾向として、論文の提出数は爆発的に増加し続けており、この分野が現在も人工知能研究の最前線であることが示されています。研究の方向性はマルチモーダル技術の革新や持続可能なAIなどの領域に集中しています。

不十分な統計によると、騰訊混元（Tencent Hunyuan）からは24編以上の論文が今回のCVPR大会に採択されました。対象分野は以下の通りです：

画像編集タスクにおける思考連鎖（Chain of Thought）、ツール呼び出しなど

動画生成後のトレーニングにおける強化学習、動画の共同生成モデル、ストリーミング動画生成、動画生成の高速化など

3D制御可能生成モデル、テクスチャ生成、3D強化学習、インタラクティブな3D世界モデル、統一型3Dマルチモーダルモデルなど

以下に全論文の紹介を記します：

1. SoliReward：動画生成における報酬モデルの報酬ハッキングと注釈ノイズ問題の緩和

【内容概要】SoliRewardは、既存の方法が抱えるデータ注釈ノイズ、コミュニティベースのVLM（Vision-Language Model）型報酬モデル（RM）の探索不足、およびモデルの後学習段階で「報酬ハッキング」攻撃を受けやすいという核心的な問題を解決するための体系的な動画生成報酬モデル訓練フレームワークを提案します。データレベルでは、このフレームワークは低コストかつ拡張性の高い単一項目二元注釈（single-item binary annotations）とクロスプロンプトペアリング戦略（cross-prompt pairing strategy）を採用し、大量の高品質な嗜好データセットを構築します。アーキテクチャレベルでは、階層的漸進的クエリアテンション（HPQA: Hierarchical Progressive Query Attention）メカニズムを導入し、複数のモデル層の特征を明示的に集約することで、より頑健なスカラー報酬信号を抽出します。

さらに、報酬ハッキング現象を効果的に緩和するため、SoliRewardは改良版のBT-WT（Bradley-Terry with Win-Tie）損失関数を提案しました。この設計では、「勝利・引き分け」正則化により正样本のスコア分布を導入し、これにより報酬モデルの不完美さに起因する誤判定サンプルに対する異常な採点によって引き起こされる負の最適化を大幅に軽減します。その結果、後学習段階においてより微細で信頼性の高い嗜好指導が可能となります。実験结果表明、この手法は主体の歪みや物理法則の一貫性において、報酬モデル自体の指標および動画生成モデルの後学習における実際の効果を顕著に向上させました。

論文アドレス：https://arxiv.org/abs/2512.22170

1. UniAVGen：非対称クロスモーダルインタラクションに基づく統一型音声・映像生成モデル

【内容简介】开源音视频生成における唇形不同步や意味的不整合という業界の課題を打破するため、南京大学と腾讯混元などのチームが共同で UniAVGen を発表しました。これは業界初の人像に特化した統一された音声・映像連合生成フレームワークです。双分支連合合成アーキテクチャに基づき、革新的な非対称クロスモーダル相互作用メカニズムを採用し、顔面知覚モジュレーションモジュールによって顔の核心的な相互作用領域を正確にアンカーします。さらに、モーダル知覚ノンクラスフィアガイド戦略（Classifier-Free Guidance）を組み合わせることでクロスモーダルの関連性を強化し、人像の音声・映像において時空間的な正確な同期と、音色および感情の高レベルな適合を実現しています。このフレームワークは、わずか 130 万の訓練サンプルのみで、3,000 万級サンプルモデルを上回る性能を達成しました。人像の音声・映像連合生成・継続生成、動画への音声付与、音声による動画生成という中核タスクを一括して解決し、実写人像の生成効果において最大限の品質を発揮するだけでなく、アニメなどのクロスドメイン視覚スタイルにも対応可能で、高忠実度かつ強力な汎化能力を持つ人像音声・映像協働創作を実現します。

論文アドレス：https://arxiv.org/abs/2511.03334

3、Harmony：タスク間協調による音声・映像の協調生成の実現

【内容简介】オープンソースモデルが音声・映像連合生成において同期を合わせることが難しいという課題に対し、私たちは音声・映像連合拡散プロセスの底層メカニズムを深く分析し、新たな音声・映像同期フレームワークである Harmony を提案しました。音声・映像潜在変数の共同ノイズ付与進化によって生じる「音画同期ドリフト」を解決するため、「タスク間協調（Cross-Task Collaboration）」という訓練パラダイムを革新的に提唱し、「音声生成による映像」と「映像生成による音声」という双方向タスクの強力な教師信号を利用して、同期プロセスを安定化させます。同時に、モデル内部にはグローバル・ローカルデカップリング相互作用モジュール（Global-Local Decoupled Interaction Module）を設計し、時系列とスタイル特徴を微細に処理します。また、音声・映像同期強化のために SyncCFG（同期強化型ガイド）技術を提案し、推論段階で明示的にクロスモーダル同期信号を剥離して増幅します。多数の実験により、Harmony は生成忠実度において優れたパフォーマンスを示すだけでなく、高レベルの音声・映像同期生成も実現できることが証明されました。

論文アドレス：https://arxiv.org/abs/2511.21579

4、ActAvatar：話者向けバーチャルアバターの時系列知覚に基づく精密動作制御

【内容简介】ActAvatar はデジタルヒューマン生成向けの精密動作制御フレームワークです。既存の音声駆動型デジタルヒューマン手法は一般的に、テキスト指示への追従能力が弱く、動作と音声内容の時系列同期が欠如しており、追加的な姿勢シーケンスなどの制御信号を必要とするという問題を抱えています。

ActAvatar は 3 つの中核技術革新によってこれらの課題を解決します：（1）フェーズ知覚クロスアテンションメカニズム（PACA: Phase-Aware Cross-Attention Mechanism）により、テキストプロンプトをグローバル記述と時間アンカー付きのフェーズ記述に分解し、動作の意味と時間ウィンドウの正確な同期を実現します。（2）漸進的音視覚アライメント戦略を採用し、Transformer の浅い層が優先的にテキストに応答して動作構造を構築し、深い層が徐々に音声の影響を増強して唇形を精修することで、両モダルの相互干渉を防ぎます。（3）2 段階訓練パラダイムにより、まず大規模データ上で堅牢な音声・視覚対応関係を確立し、その後構造化ラベル注入によって時系列動作制御能力を追加します。これにより、壊滅的忘却（Catastrophic Forgetting）を効果的に防止します。ActAvatar はわずか 5B パラメータで 720p 解像度において高品質なデジタルヒューマン動画を生成可能であり、動作制御精度、唇形同期、視覚の質において既存手法を上回ります。また、同等品質の手法と比較して推論効率が 4 倍以上向上しています。

論文アドレス：https://arxiv.org/abs/2512.19546

5、StreamAvatar：リアルタイム対話型人体バーチャルアバター向けのストリーミング拡散モデル

【内容简介】リアルタイムストリーミング型インタラクティブデジタルヒューマン動画生成は、次世代の没入型デジタルヒューマン体験（ビデオチャットやインタラクティブカスタマーサポートなど）を実現するための鍵となる技術です。しかし、既存のデジタルヒューマン動画拡散モデルは、非因果アーキテクチャと過大な計算コストのためにリアルタイムストリーミング生成が困難であり、さらにデジタルヒュームの「聴取」状態を適切にモデル化している事例もほとんどありません。そこで私たちは、2段階の自己回帰蒸留と敵対的洗練フレームワークを提案し、参照アテンションプール（Reference Sink）、参照アンカーに基づく位置再エンコーディング（Reference-Anchored Positional Re-encoding）、一貫性知覚判别器（Consistency-Aware Discriminator）などの戦略を導入することで、長編動画生成の一貫性と安定性を向上させました。これにより、高品質な多ステップ非因果モデルを効率的な少ステップブロック因果自己回帰モデルへと蒸留することに成功しています。本フレームワークに基づき、「StreamAvatar」を発表しました。これは単一サンプルで動作するリアルタイムストリーミング型インタラクティブデジタルヒューマン動画モデルであり、低遅延で高精度な口形、自然な聴取フィードバック、そして滑らかな肢体ジェスチャーを含む高忠実度720Pの無限長動画を生成できます。多数の実験により、StreamAvatar は大幅な速度向上を達成しつつも、画像品質やインタラクション品質などの次元において既存手法を上回ることが示されました。

論文アドレス：https://arxiv.org/abs/2512.22065

6、Meta-CoT: 画像編集の粒度と汎化能力の向上

【内容简介】本論文は画像編集分野における思考連鎖（Chain of Thought: CoT）のパラダイムに焦点を当て、既存手法が「細粒度指令追従」と「タスク間汎化能力」の両立を困難としている課題を解決します。既存の研究には主に2つのアプローチがあります。一つは専用タスクのためにCoTテンプレートを設計するもので、より細粒度的な編集制御を実現できる一方で、汎化性は低いです。もう一つは汎用的なCoTパラダイムですが、推論粒度が不十分であるため、ユーザー指令における詳細な要求を正確に満たすことができません。さらに、画像編集分野には多様なシナリオをカバーする評価基準が不足しており、異なる手法間の性能比較が客観的に行えないという問題があります。

本論文では、Meta-CoT（メタ思考連鎖）編集パラダイムを提案し、2段階の分解機構を通じて「粒度」と「汎化」の両方の課題に対処します。第一段階は三元組認知分解であり、複雑な編集指令を「タスクタイプ - 編集目標 - 理解粒度」の三元組に分解します。これにより、「タスク要約 - 多段階思考 - 目標網羅」という3ステップの推論フローを設計し、モデルが逐層的に意味理解を深化させることを強制することで、粒度不足の問題を根本的に解決します。第二段階はメタタスク操作分解であり、追加、削除、置換、調整、生成という5つの基本メタタスクを抽出しました。すべての複雑な編集はこのメタタスクの組み合わせによって実現され、モデルは少数のメタタスク訓練のみで、未見の多様な複雑シナリオへも汎化できるようになります。さらに、論文ではCoT-Edit Alignment Reward（CoT-編集アライメント報酬）という新たな報酬機構を設計しました。これは視覚言語モデル（Visual Language Model: VLM）を用いて推論ステップと編集結果の一致度を定量化し、Flow-GRPOアルゴリズムを組み合わせてモデルのアライメント効果を最適化するものです。また、著者らは物体編集、スタイル転送、属性調整などの中核シナリオを網羅した21の典型タスクを含む包括的評価基準も構築しました。

実験結果は本手法の優位性を検証しました：独自に構築した21タスク基準およびImgEdit公開データセットにおいて、Meta-CoTは純粋な編集ベースラインと比較して総合性能が15.8%向上し、わずか5つのメタタスクのみを訓練するだけで全タスク訓練と同等の効果を達成しました。また、指示従順度や詳細再現度といった核心指標において、BagelやEditAnythingなどの既存SOTA（State-of-the-Art：最先端）手法を全面的に上回り、画像編集におけるCoT（Chain of Thought：思考連鎖）のパラダイム設計に対して新たな理論的枠組みと実践的アプローチを提供しました。

7、JarvisEvo：エディターと評価器の協調最適化による自己進化型写真編集エージェント

【内容概要】本論文は、エージェント画像編集分野における2つの課題に焦点を当てています。第一に、純粋なテキストベースのCoT推論には情報ボトルネックが存在し、容易に指示幻覚を引き起こすため、視覚フィードバックを通じて編集プロセスを検証することができない点です。第二に、強化学習において静的な報酬モデルと動的な方策最適化が一致せず、Reward hacking（報酬ハッキング）問題が発生する点です。

論文ではJarvisEvoを提案します。これは編集と評価の二重タスクを融合させた自己進化型画像編集エージェントソリューションであり、主な貢献は以下の3点です。第一に、交差型多模態思考連鎖（iMCoT：interleaved Multimodal Chain of Thought）メカニズムを設計しました。「テキスト仮説 - 画像テスト - 反省調整」という閉ループを通じて視覚フィードバックを推論プロセスに組み込み、純粋なテキストベースのCoTによる情報バリアを打破し、指示従順度と編集精度を向上させます。第二に、協調エディター-評価器方策最適化（SEPO：Synergistic Editor-Policy Optimizer）フレームワークを提案しました。これは二つの最適化ループから構成され、エディターは自己評価スコアを用いて内在的報酬を生成し、評価器は人間のオフライン注釈データを通じて継続的に最適化されることで、報酬ハッキングと自己欺瞞を効果的に抑制します。第三に、Adobe Lightroom（200種以上の専門写真編集ツール）とQwen-Image-Editをシームレスに統合し、保持型編集と生成型編集の両方をサポートすることで、精密なレタッチと創造的な合成のニーズを同時に満たします。

訓練プロセスでは、JarvisEvoは3段階を採用しています。まず20万件の注釈データに基づく教師あり微調整でモデル能力を初期化し、次にSEPOによる強化学習段階で編集と評価の方策を最適化し、最後に5千件の反省サンプルを用いた微調整で自己修正能力を強化します。著者らは、中国語・英語の二言語対応、30種類のタスクタイプ、10の大規模シーンを網羅した23万件のサンプルからなるArtEditデータセットおよび対応するArtEdit-Bench基準を構築しました。

実験結果によると、ArtEdit-Benchにおける保持型編集タスクでは、JarvisEvoはNano-Bananaと比較して平均で18.95%向上し、ピクセルレベルでのコンテンツ忠実度は44.96%も向上しました。生成型編集の性能は主要な商用モデルと同等です。評価能力においては、人間スコアとの相関（SRCC=0.7243、PLCC=0.7116）が専門評価モデルや汎用多模態大規模言語モデルを上回りました。人間による評価では精密編集の勝率が49%に達し、ベースラインモデルを大きく上回り、本手法が指示幻覚と報酬ハッキング問題の解決において有効であることを実証しました。これは汎用的な画像編集エージェントに対する新たなパラダイムを提供するものです。

論文アドレス：https://arxiv.org/abs/2511.23002

8、Re-Align：文脈画像生成・編集のための構造化推論誘導アライメント

【内容概要】本論文ではRe-Alignを提案します。これは構造化推論誘導アライメントに基づく統一フレームワークであり、核心目標はモデルの理解能力と生成能力の間のギャップを埋めると同時に、文脈画像生成および編集タスクをサポートすることです。その主な貢献は以下の3点です。

第一に、文脈思考連鎖（IC-CoT：In-Context Chain of Thought）による構造化推論パラダイムを設計しました。セマンティック誘導と参照関連付けの二つのコンポーネントにより、セマンティック指示と参照画像の関連性をデカップリング（分離）します。セマンティック誘導は明確な目標画像記述を生成し、参照関連付けは各参照画像の役割を明確に定義することで、複数画像入力時の混乱を防ぎ、生成プロセスに対して精密なガイダンスを提供します。

第二に、効果的な強化学習訓練手法を提案しました。代替報酬（CLIPを用いてIC-CoT内の記述と生成画像の類似度を計算）を導入し、推論と生成のアライメント度を測定すると同時に、推論誘導多様性戦略を設計しました。これは多様な推論軌跡を生成してサンプルの差異性を高め、組対方策最適化（GRPO：Group Relative Policy Optimization）の訓練プロセスを安定化させます。

三、Re-Align-410K という高品質データセットを構築し、「参考画像の準備 - 適応型指示生成 - 推論テキスト生成 - 対象画像合成 - 多角的フィルタリング」という自動化プロセスを通じて、主体駆動生成や属性移転編集など多様な ICGE（Image-Conditioned Generation and Editing）タスクをカバーし、モデル訓練におけるデータ品質を担保します。

訓練は2段階のプロセスを採用しています。第1段階では Re-Align-410K データセットに基づいて監督微調整を行い、IC-CoT（Chain-of-Thought）による画像生成能力を習得させます。第2段階では GRPO（Group Relative Policy Optimization）を用いて推論と生成の整合性を最適化し、代替報酬と多様性戦略を組み合わせてモデル性能を向上させます。実験は OmniContext と DreamOmni2Bench という 2 つの主要ベンチマークに基づき、BAGEL や OmniGen2 などの主流モデルと比較して行われました。その結果、Re-Align は両方のベンチマークで最も優れた総合性能を示し、平均スコアは 8.21 に達しました。特に多参考画像やシーンレベルタスクにおいて顕著な優位性を示し、プロンプトの遵守度と主体の一貫性においては基盤モデルを全面的に上回りました。アブレーション実験により、IC-CoT の構造化推論の有効性が検証され、推論なしまたは非構造化推論と比較して勝率はそれぞれ 20% と 16.25% 向上しました。このフレームワークは ICGE タスクにおける参照の混同や推論と生成のズレという核心的な課題を解決し、複雑な画像・テキスト交差プロンプトによる視覚的生成と編集のための新たなパラダイムを提供します。

論文アドレス：https://arxiv.org/abs/2601.05124

9、PromptEnhancer：微細粒度報酬を用いたテキストから画像への生成を最適化するプロンプトリライタ

【内容概要】本論文は、テキストから画像（T2I: Text-to-Image）生成分野における核心的な課題に焦点を当てています。すなわち、既存モデルは複雑なユーザープロンプトを正確に理解することが難しく、属性の紐付け、否定表現、組み合わせ関係といった微細な意味レベルで誤りが生じやすい点です。また、既存のプロンプトリライト手法には汎用性が欠けており、モデル固有の微調整や粗粒度の報酬信号に依存しているため、適応性と効果に限界があります。そこで本論文では、PromptEnhancer を提案します。これは、任意の事前学習済み T2I モデルの重みを一切変更することなく、プロンプトを最適化することで生成結果とユーザーの意図との整合性を高めることを目的とした、汎用的かつモデル非依存のプロンプトリライトフレームワークです。

訓練データについては、「ユーザープロンプトのシミュレーション - CoT とリライトされたプロンプトの生成 - 自動フィルタリング - 人手による選別」という4段階のプロセスを通じて高品質な監督学習用データセットを構築し、強化学習段階におけるポリシー整合化のために追加で5万件の独立したプロンプトも用意しました。実験は混元画像モデル（HunYuan Image Model）に基づいて行われ、フレームワークの有効性と汎用性が検証されました。その結果、PromptEnhancer は 24 の評価次元において T2I モデルの生成精度を平均で 5.1% 向上させました。特に類似関係（+17.3%）、反事実的推論（+17.2%）、数え上げ（+15.0%）といった複雑な意味タスクでの改善が顕著であり、代名詞の解析や表情の描写といった微細なシナリオにおいても 10% を超える性能向上を実現しました。このフレームワークは T2I モデルのアーキテクチャを変更する必要がなく、プラグアンドプレイモジュールとして主流モデルに容易に適用可能です。中英語バイリンガル環境でも安定して動作し、T2I 生成におけるプロンプト整合化の問題に対する汎用的かつ効率的な新ソリューションを提供します。

論文アドレス：https://arxiv.org/html/2509.04545v5

10、TAG-MoE：統一型生成混合専門家モデルのためのタスク知覚ゲート

【内容概要】本論文は、統一型画像生成・編集モデルにおける核心的な課題に焦点を当てています。すなわち、密結合拡散 Transformer アーキテクチャにおいて深刻なタスク干渉が存在し、局所的な編集（コンテンツの正確な保持が必要）と主体駆動生成（多様性の豊かさが求められる）といったタスク目標が互いに競合し、モデルが「中途半端な妥協」に陥ってしまう点です。また、既存の混合専門家（MoE: Mixture of Experts）パラダイムにおけるゲートネットワークは局所的な特徴のみに基づいており、グローバルなタスク意図を感知できず、効果的な専門家の特化（specialization）を実現できず、タスク干渉の問題を解決できていません。現在の分野では、MoE アーキテクチャはモデル容量の向上に寄与しますが、統一型生成・編集タスクの異質性に対して設計されたものではなく、タスク非依存なルーティングメカニズムがその性能発揮を制限しています。

論文では、タスク知能型ゲートに基づく MoE フレームワーク「TAG-MoE」を提案しています。このフレームワークの核心目標は、高次タスクセマンティクスを MoE のルーティング決定に注入し、専門家のタスク特異的専門化（specialization）を実現することで、タスク干渉を緩和することです。

訓練データについては、公開ベンチマークデータと独自開発の专有データを網羅した 1,100 万サンプルからなる大規模データセットを構築しました。LLM による多様な指示生成、専門モデルを用いたターゲット画像合成、逆タスク強化などの手法を通じて、データの品質とタスクカバレッジを確保しています。実験は ICE-Bench や EmuEdit-Bench など 5 つのベンチマークに基づき、ACE++ や Flux-Kontext といったオープンソースおよびクローズドソースのベースラインモデルと比較して行われました。

実験結果では、TAG-MoE はすべてのベンチマークにおいて最適な総合性能を達成しました。ICE-Bench における美学品質、指示アライメント（CLIP-cap）、タスク実行正確性（vllmqa）といった主要指標で、すべてのオープンソースモデルを上回り、その CLIP-cap スコアは GPT-4o などのクローズドソース製品をも凌駕しています。EmuEdit-Bench と GEdit-Bench においては、vllmqa 指標がそれぞれ 0.9284 および 0.8854 に達し、強力な指示実行能力を示しました。また、主体駆動生成タスクにおいても、顔のアイデンティティ保持やスタイル忠実度などの指標で SOTA（State-of-the-Art）を記録しています。アブレーション実験により、MoE アーキテクチャと予測アライメント正則化の必要性が検証され、専門家活性化パターンの分析からは、モデルがタスクと空間の二重特異性を備えた専門家の役割分担を形成していることが示されました。このフレームワークは、統一された生成・編集タスクにおける干渉問題を効果的に解決し、効率的かつ高性能な多目的視覚合成のための新たなアプローチを提供します。

論文アドレス：https://arxiv.org/abs/2601.08881

11、EffectMaker：カスタマイズされた視覚エフェクト制作のための推論と生成の統一化

【内容概要】視覚エフェクト制作の参入障壁の高さとデータ不足という課題に対応するため、腾讯混元（Tencent Hunyuan）はエフェクト生成フレームワーク「EffectMaker」とエフェクトデータセット「EffectData」を提案しました。EffectMaker は、マルチモーダル大規模言語モデル（MLLM）と拡散 Transformer（DiT）を革新的に融合させ、「セマンティクス＋視覚」の二重パス誘導メカニズムを構築しています。これにより、MLLM が参照ビデオの複雑なセマンティクスを深く解析し、ターゲット画像への適応ロジックをインテリジェントに推論すると同時に、DiT の文脈学習能力を活用して、ファインチューニング不要のエンドツーエンドエフェクト移行を実現しています。その結果、強力なゼロショット汎化能力を持ち、複雑な映画・テレビエフェクトをリアルに再現することが可能です。チームはまた、世界最大規模となるエフェクトデータセット「EffectData」の構築と公開計画を進めており、2,000 のエフェクトカテゴリ、10 万本を超えるエフェクトビデオを含み、関連分野の今後の研究にとって重要なリソース基盤を提供する予定です。

12、DisCa：蒸留互換性の学習可能特徴キャッシュによる動画拡散 Transformer の高速化

拡散モデルは動画生成領域において巨大な成功を収めていますが、それに伴い計算負荷が急激に増大しています。既存の加速手法の中で、特徴キャッシュ（Feature Caching）は訓練不要という特性と顕著な加速効果により高く評価されていますが、圧縮度を深めるほど、避けられない意味情報の喪失やディテールのぼやけを招きます。また、広く採用されているもう一つの手法である、訓練知能型ステップ蒸留（Step-distillation）は画像生成領域では優れた成果を示していますが、動画生成においては極めて少数のステップ数で劇的な性能劣化が生じます。さらに、サンプリングステップ数がより疎になるため、訓練不要の特徴キャッシュを単純に蒸留後のモデルに適用すると、品質損失がさらに深刻化する傾向があります。

本論文は、蒸留と互換性のある学習可能な特徴キャッシュ機構を初めて革新的に導入したものです。従来の拡散モデルにおける無訓練のヒューリスティック手法に代わり、軽量な学習可能ニューラル予測器を採用することで、高次元特徴の進化過程をより精密に捉えることを可能にしました。さらに、大規模ビデオモデルが高度に圧縮された蒸留の下で直面する課題を探求し、より安定かつ損失のない蒸留を実現するための保守的な制限付き平均流（Restricted MeanFlow）手法を提案しました。これらの取り組みにより、生成品質を維持したまま、加速の限界をさらに11.8倍まで引き上げることができました。多数の実験が本手法の有効性を十分に証明しています。

論文アドレス：https://arxiv.org/pdf/2602.05449

13、Flash-DMD：高効率な蒸留と統合強化学習による高忠実度少ステップ画像生成

私たちは、時間ステップ知覚型蒸留と強化学習を組み合わせる革新的なテキストから画像へのモデル蒸留フレームワークである「Flash-DMD」を提案しました。これにより、効率的な時間ステップ知覚型蒸留と統合強化学習を融合させることで、蒸留モデルの急速な収束を実現しつつ生成のリアリティを向上させました。その結果、教師モデル（DMD2）の訓練リソースのわずか2.1%しか消費せずに、教師モデルを超える性能を達成しています。

論文アドレス：https://arxiv.org/pdf/2511.20549

14、PoseMaster：スタイル化されたポーズ生成のための統一されたネイティブ3Dフレームワーク

【内容概要】ポーズのスタイル化は、目標とするポーズを持つスタイル化コンテンツを生成するものであり、2D/3Dおよびビデオ生成分野における基礎的なタスクです。3D領域において、既存の方法は通常「カスケード（連鎖）」戦略を採用しており、まず2D事前モデルを用いて画像のポーズを変更し、その後それを3Dアセットへと昇華させます。この非ネイティブな3Dアプローチは、深刻な誤差の蓄積を招くだけでなく、複雑な空間幾何学的変換也难以処理するため、生成の精度を制限しています。これらの課題を克服するために、私たちはポーズのスタイル化と3D生成を統合した3Dネイティブフレームワークである「PoseMaster」を提案しました。従来の方法が2Dスケルトン図に依存するのに対し、私たちは制御信号として直接3Dスケルトン（3D Skeletons）を利用します。3Dスケルトンは空間的なトポロジー関係をより正確に捉えるだけでなく、2D投影に伴う曖昧さを排除できます。このパラダイムをサポートするために、私たちは効率的なデータエンジンも構築し、「画像-3Dスケルトン-3Dメッシュ」のペアリングされた大規模データセットを生成しました。これにより、モデルは外観IDと幾何学的ポーズの対応関係を同時に学習できるようになります。広範な実験结果表明、PoseMasterは定性的・定量的指標の両方でSOTA（State-of-the-Art）手法を上回っています。さらに、このフレームワークが生成する3Dメッシュは入力された3Dスケルトンと本質的にトポロジー的整合性を備えており、スキニングモデル（Skinning Model）を組み合わせることでアニメーション可能なアセットを生成できます。これは、ユーザーが煩雑な手動のリダイレクトやスケルトンのアライメントを行うことなく、既存の動作シーケンスを直接そのスケルトンに適合させてモデルを駆動できることを意味し、実用性を大幅に向上させます。

論文アドレス：https://arxiv.org/abs/2506.21076

15、3D生成モデルの改変による自己回帰的レイアウト生成の実現

【内容简介】私たちは、3D 生成モデルを 3D 配置生成に適用するためのフレームワークである LaviGen を提案しました。従来のテキスト記述から物体の配置を推論する手法とは異なり、LaviGen はネイティブな 3D 空間上で直接操作を行い、配置生成を自己回帰プロセスとしてモデル化します。これにより、物体間の幾何学的関係や物理的制約を明示的にモデル化し、調和のとれた物理法則に則った 3D シーンを生成します。このプロセスをさらに最適化するために、私たちはシーン、物体、および指示情報を統合する適応型 3D 拡散モデル（diffusion model）を提案し、効率と空間的な精度を向上させるために二重ガイダンス自己展開蒸留メカニズム（dual-guidance self-rollout distillation mechanism）を採用しました。LayoutVLM ベンチマークにおける大規模な実験により、LaviGen は卓越した 3D 配置生成性能を実現し、物理的妥当性は既存の最先端手法よりも 19% 向上し、計算速度は 65% 向上することが示されました。私たちは関連するコードを公開します。

16、NaTex：潜在色拡散に基づくシームレスなテクスチャ生成

【内容简介】私たちは、3D 空間上で直接テクスチャの色を予測できるネイティブなテクスチャ生成フレームワークである NaTex を提案しました。従来の手法は通常、幾何学的条件付き多視点拡散モデル（MVDs）によって合成された 2D 多視点画像のベイク（baking）に依存しています。これに対し、NaTex は MVD プロセスに内在するいくつかの固有の限界を回避します。これらの限界には、補完（inpainting）が必要な隠れた領域の処理における困難さ、境界部での正確なメッシュとテクスチャのアライメント（mesh-texture alignment）の課題、そしてコンテンツや色の強度において視点間の一貫性と連続性を維持する難しさなどが含まれます。NaTex は、テクスチャを密な色点群として扱うという新たなパラダイムを提案し、上記の問題を解決します。この考え方に着想を得て、私たちは幾何学的知覚を持つ色点群 VAE（VAE）と多重制御拡散 Transformer（DiT）からなる潜在色拡散（latent color diffusion）を提案しました。これは 3D データのみを使用してゼロからトレーニングされ、テクスチャの再構築と生成に用いられます。

正確なアライメントを実現するために、私たちは位置埋め込みと幾何学的潜在変数（geometry latents）を通じて、直接的な 3D 空間情報を用いて DiT を条件付きで制御するネイティブ幾何学的制御を導入しました。VAE-DiT アーキテクチャは協調的に設計されており、幾何学的潜在変数は色 VAE と密接に結合された専用の幾何学ブランチから抽出されます。これにより、テクスチャと強く対応関係を持つ微細な表面ガイドが提供されます。これらの設計により、NaTex は強力な性能を発揮し、テクスチャの連続性とアライメントにおいて既存手法を大幅に上回ります。さらに、NaTex は優れた汎化能力を示し、トレーニングフリー（training-free）または簡単なファインチューニングを経ることで、マテリアル生成、テクスチャ最適化、部品分割とテクスチャリングなどのさまざまな下流タスクに応用可能です。

論文アドレス：https://arxiv.org/abs/2511.16317

17、LATTICE：大規模普及による高忠実度 3D 生成

【内容简介】私たちは、高忠実度 3D アセット生成のための新フレームワークである LATTICE を提案しました。これは、3D と 2D の生成モデルの間の品質とスケーラビリティにおけるギャップを埋めることを目的としています。2D 画像合成は固定された空間グリッドと成熟した Transformer アーキテクチャの恩恵を受けていますが、3D 生成は空間構造と微細な幾何学的表面をゼロから予測する必要があるため、根本的により困難です。既存の 3D 表現は計算コストが高く、構造化されスケーラブルな 3D アセットエンコーディング方案が欠けていることが、これらの課題をさらに悪化させています。この問題に対処するため、私たちは VoxSet を提案しました。これは半構造化表現手法であり、3D アセットを粗いボクセルグリッドにアンカーされたコンパクトな潜在ベクトル（latent vectors）の集合として圧縮することで、効率的かつ位置知覚的な生成を実現します。

VoxSet は、先行する VecSet 手法の単純性と圧縮の利点を維持しつつ、潜在空間に明示的な構造を導入し、位置埋め込み（positional embeddings）による生成誘導を可能にし、強力なトークンレベルでのテスト時拡張（test-time scaling）をサポートします。この表現に基づき、LATTICE は 2 つの段階からなるプロセスを採用しています：まず疎な体素化幾何アンカーを生成し、次に整流流 Transformer（Rectified Flow Transformer）を用いて微細な幾何構造を生成します。私たちの手法は核心が簡潔でありながら、任意解像度でのデコード、低コストなトレーニング、柔軟な推論ソリューションをサポートしており、複数の側面で最先端（SOTA）の性能を達成し、スケーラブルで高品質な 3D アセット作成への重要な一歩となっています。

論文アドレス：https://arxiv.org/pdf/2512.03052

18、ArtLLM：3D 大規模言語モデルによるヒンジ式アセットの生成

【内容紹介】ゲーム、ロボット、シミュレーション用のインタラクティブなデジタル環境を構築するには、関節式 3D オブジェクト（articulated 3D objects）が不可欠です。その機能性は、構成部品の幾何形状と運動学構造に由来します。しかし、既存の方法には根本的な限界があります：最適化ベースのリコンストラクション手法は、物体ごとに遅い関節フィッティングを必要とし、通常は単純な単関節物体にしか適用できません。一方、検索ベースの手法は固定ライブラリから部品を組み立てるため、幾何形状が重複しやすく、汎化性能が低くなります。これらの課題に対処するため、私たちは ArtLLM を提案します。これは、完全な 3D メッシュから直接高品質な関節式アセットを生成できる革新的なフレームワークです。その核心は、既存の関節式データセットと手動生成された物体を組み合わせて構築された大規模関節式データセット上でトレーニングされた 3D マルチモーダル大規模言語モデルです。

従来の研究とは異なり、ArtLLM は可変数の部品と関節を自己回帰的に予測でき、物体の点雲に基づいて運動学構造を一貫した方法で推論できます。この知覚された関節配置（articulation-aware layout）は条件として用いられ、3D 生成モデルが高忠実度の部品幾何形状を合成するよう誘導します。PartNet-Mobility データセットにおける実験では、ArtLLM は部品の配置精度と関節予測の両方で既存の最先端手法を大幅に上回り、現実世界の物体に対しても堅牢に汎化できることが示されました。最後に、私たちはデジタルツイン構築におけるその応用価値を示し、スケーラブルなロボット学習分野での潜在力を強調します。

論文アドレス：https://arxiv.org/abs/2603.01142

19、MatPedia：高忠実度マテリアル合成のための汎用的生成基盤

【内容紹介】物理ベースレンダリング（PBR）マテリアルは、写真レベルのリアリティを持つグラフィックスの礎ですが、その作成プロセスはいまだに時間と労力を要し、専門知識を必要とします。生成モデルがマテリアル合成技術の発展を牽引する一方で、既存の方法には自然画像の外観と PBR 属性を橋渡しする統一された表現がなく、タスク固有のプロセスが分断されており、大規模な RGB 画像データを活用できていません。

そこで、私たちは MatPedia を提案しました。これは革新的な「統合 RGB-PBR 表現」に基づいた基礎モデルです。この表現では、材質を相互依存する 2 つの潜在変数（latents）にコンパクトに符号化します。1 つは RGB の外観用であり、もう 1 つは補完的な物理属性を符号化する 4 枚の PBR テクスチャ用です。これらの情報を 5 フレームのシーケンスとして構築し、ビデオ拡散アーキテクチャを採用することで、MatPedia はそれらの間の相関関係を自然に捉えつつ、RGB 生成モデルからの視覚的先行知識を転移することができます。この統合表現は、テキストから材質を生成する（text-to-material）、画像から材質を生成する（image-to-material）、および本質分解（intrinsic decomposition）など、単一のアーキテクチャ内で多様な材質タスクを処理するための統一されたフレームワークを実現します。MatPedia は、PBR データセットと大規模な RGB 画像を組み合わせた混合コーパスである MatHybrid-410K で訓練され、ネイティブの 1024×1024 解像度での合成を実現し、品質と多様性の両面で既存手法を大幅に上回りました。

論文アドレス：https://arxiv.org/abs/2511.16957

20、WorldStereo:3D 幾何記憶によって制御可能な動画生成とシーン再建を橋渡す

【内容概要】動画拡散モデル（VDMs）の最新進展は顕著な成果を収めています。しかし、生成される動画の視覚的品質が注目すべきものであるにもかかわらず、カメラの制御可能性が限定的であること、および異なるカメラ軌跡下での生成内容の一貫性の欠如により、これらの出力から一貫した 3D シーンを再建することは依然として課題となっています。本論文では、私たちは WorldStereo を提案します。これは、2 つの専用幾何記憶モジュールを通じて、カメラ誘導型動画生成と 3D 再建を橋渡す革新的なフレームワークです。

具体的には、グローバル幾何記憶（global-geometric memory）は、点群への増分更新注入によって粗粒度的構造先行知識を実現しつつ、精密なカメラ制御を可能にします。また、空間ステレオ記憶（spatial-stereo memory）は 3D 対応関係を利用してモデルの注意機構の受容野を制約し、メモリー庫内の微粒度的詳細に焦点を当てられるようにします。これらのコンポーネントにより、WorldStereo は精密なカメラ制御下でマルチビュー一貫性のある動画を生成することができ、高品質な 3D 再建を支援します。さらに、柔軟な制御ブランチに基づく WorldStereo は、分布マッチング蒸留（distribution matching distilled）された VDM マスターネットワークを採用し、結合訓練を行わずに驚異的な効率を示しました。カメラ誘導型動画生成および 3D 再建ベンチマークにおける広範な実験は、我々の手法の有効性を証明しています。特筆すべきは、WorldStereo が強力な世界モデルとして機能し、多様なシーン生成タスク（透視画像から出発する場合も全景画像から出発する場合も）を処理でき、高忠実度の 3D 結果を生み出すことを示した点です。

21、Mesh-Pro:非同期優位性誘導順序選好最適化に基づくアーティストスタイル四角形メッシュ生成

【内容简介】強化学習（RL）はテキストおよび画像生成の分野において顕著な成功を収めていますが、3D 生成領域におけるその潜在能力はまだ十分に掘り下げられていません。既存の研究は通常、オフラインの直接選好最適化（Direct Preference Optimization: DPO）手法に依存しており、訓練効率の低さと汎化能力の限界という課題に直面しています。本論文では、強化学習を 3D メッシュ生成タスクにおける訓練効率と生成品質の向上を目指すものです。具体的には：（1）3D メッシュ生成後の学習（post-training）効率を高めるために初めて設計された非同期オンライン RL フレームワークを開発しました。このフレームワークは、同期 RL よりも 3.75 倍高速です。（2）優位性誘導型順序選好最適化（Advantage-Ranked Preference Optimization: ARPO）と呼ばれる新たな RL アルゴリズムを提案します。DPO やグループ相対戦略最適化（Group Relative Policy Optimization: GRPO）など、既存の 3D メッシュ生成向け RL アルゴリズムと比較して、ARPO は訓練効率と汎化能力の間でより優れたバランスを実現しています。（3）非同期 ARPO を基盤として Mesh-Pro という手法を提案します。この手法はさらに、メッシュ表現のために新たな対角線認識型混合三角・四辺形トークン化（Tokenization）技術と、幾何学的完全性を確保するためのレイベース報酬機構を導入しています。Mesh-Pro は芸術用メッシュおよび密なメッシュの生成において、いずれも最先端（SOTA）のパフォーマンスを達成しました。

論文アドレス：https://arxiv.org/abs/2603.00526

22、X-Part：高忠実度かつ構造的一貫性を持つ形状分解

【内容简介】部品レベルの 3D 形状生成は、メッシュ再トポロジ（mesh retopology）、UV マッピング（UV mapping）、3D プリンティングなどの下流アプリケーションにとって不可欠です。しかしながら、既存の部品ベース生成手法は十分な制御性を欠いており、意味のある分解を実現することが困難な場合が多いです。そこで私たちは X-Part を提案します。これは全体 3D オブジェクトを、高い幾何学的忠実度と明確な意味、そして構造的整合性を持つ部品に分解することを目的とした制御可能な生成モデルです。X-Part は、部品生成のプロンプト（prompts）としてバウンディングボックス（bounding box）を利用し、逐点セマンティック特徴を注入することで意味のある分解を実現します。さらに、対話型部品生成のための編集可能なパイプライン（pipeline）も設計しました。多数の実験結果により、X-Part は部品レベルの形状生成において最先端（SOTA）のパフォーマンスを達成することが示されました。この研究は、生産レベルで利用可能かつ編集可能、そして構造的に妥当な 3D アセットを作成するための新たなパラダイムを確立するものです。コードは研究目的のために公開されます。

論文アドレス：https://arxiv.org/pdf/2509.08643

Findings 部門への採択（3 編）

UniVerse3D: Emerging Properties of Unified Multimodal Models in 3D Understanding and Generation

Video Generation Models are Good Latent Reward Models

USV: Unified Sparsification for Accelerating Video Diffusion Models

以上は不十分な統計に基づくものであり、今後の会議開催期間中も混元チームからはさらに多くの技術共有が予定されています。ご期待ください。

原文を読む

WeChat での閲覧へジャンプ