柔軟なビデオ拡散モデル（3 分読了）

ICML 2026 · スポットライト

1 つのモデル、2 つの生成レジーム

シンイン・マ1,2

ユリウス・バーナー2

チャオ・リウ2

アラシュ・ヴァダト2

ウェイリー・ニエ2,†

シンチャオ・ワン1,†

1NUS

2NVIDIA

† 共同指導者

古典的な探偵の帽子をかぶり、拡大鏡とノートブックを手にしたアライグマを描いた、リアリズムスタイルの詳細なイラスト。アライグマは表情豊かな茶色の毛並み、大きな丸い目、好奇心に満ちた表情をしており、小さな謎めった物体を注意深く観察している。2 本の足で立ち、片側に少し傾きながら、目の前の何かに熱心に見入っている。背景には古びた本や地図、様々な道具が散らばる雑然とした探偵のオフィスがあり、場面に温かみのあるヴィンテージな雰囲気を与えている。部屋は薄暗く、近くのランプから柔らかい光が差し込んでいる。アクション中のアライグマを捉えたミディアムショット。

嵐の海を航行する最中の男性の顔の劇的なクローズアップショット。彼の激しい恐怖と絶望が捉えられています。船のランタンの揺らぐ光によって彼の顔は照らし出され、心配そうな表情を際立たせる影が落ちています。暗く荒れ狂う雲が頭上を覆い、波が船に打ち寄せて混沌とした環境をさらに高めています。男性の目はパニックで見開かれ、唇は強く結ばれています。乱れた髪とわずかに濡れた服が緊迫感を増しています。背景は動きのぼやけたものとなり、船の甲板と荒れ狂う海が周辺に確認できます。写真は粗々としたリアルな質感を持ち、その瞬間の生々しい感情と葛藤を強調しています。やや傾いたアングルからのダイナミックなクローズアップ。

スリムなレーシングスーツを着たカメが、色とりどりのスケートボードに乗って急斜面を滑り降りるダイナミックなアクションショット。カメは決意に満ちた表情で、小さな足を激しく動かしながらスピードと機敏さを活かしてスケートしている。スケートボードの車輪は急速に回転し、背景にはわずかなブレが生じている。丘の斜面は背の高い草や野花に囲まれ、空は鮮やかな青色でふんわりとした雲が浮かんでいる。このシーンは、カメが丘を滑り降りる際の勢いと興奮を捉えており、スピード感と動きを強調するためにカメラアングルがわずかに傾けられている。

セレンゲティの広大な草原を優雅に歩くドラゴン・トゥカンが登場する、自然ドキュメンタリー風の鮮やかでダイナミックなイラスト。ドラゴン・トゥカンは、虹色に輝く緑と青の羽毛を持ち、長く曲がった嘴と大きく表情豊かな目をしている。翼はバランスを取るためにわずかに広げられ、サバンナを自信を持って歩みを進めている。背景にはアフリカの野生動物の豊かな織物のような景観が広がり、遠くにシマウマ、ガゼル、象が見える。太陽が沈みかけ、風景全体に温かい金色の光を投げかけている。カメラアングルは低く地面に近い視点から捉えられ、草の中を移動するドラゴン・トゥカンの動きを捉えている。

クラシックなハリウッド映画のスタイルによる動的なトラッキングショット。雪景色の中をすすり進む蒸気機関車を捉えています。列車は緊迫感を持って前方へ進み、カメラがその背後に密着して追従することで、旅の速さと力強さが強調されます。スノーフレークが列車の周りを渦巻き、動きと寒さの感覚を生み出します。風景は急速に変化し、濃い森や曲がりくねった線路、雪に覆われた遠くの山々が現れます。背景にはぼかされた雪に覆われた木々と遠くの丘があり、雲間から差し込む日光の筋が点在しています。列車のスモークスタックからは膨らむ蒸気が放出され、劇的な効果を一層高めています。広角レンズが広大な景色を捉え、雪に覆われた荒野の壮大さを強調します。

手持ちカメラによるショットで、背の高い草が生い茂る野原を走る幼い子供を追っています。その動きの spontaneity と playfulness を捉えています。子供は茶色の巻き毛でいたずらっぽい笑みを浮かべ、緑の広場を sprint する間、腕を自由に振り回しています。小さな足が草や土を蹴り上げ、背後に跡を残します。背景にはぼかされた風景があり、起伏のある丘と散在する野花が暖かい日光に包まれています。写真は自然でドキュメンタリースタイルの質感を持ち、瞬間の動的な動きと喜びを強調しています。やや高い角度からの動的な手持ちショットで、子供の活発な走る姿を追っています。

そばに寄ったマクロショットで、そばかすのある若い女性の顔がクローズアップされています。彼女は何かを必死に見つめている表情で、その目は大きく開かれ、わずかに細められ、探している対象をじっと見つめています。頬や鼻には散りばめられたそばかすがあり、彼女の顔に遊び心のある魅力を加えています。髪は緩やかに解かれており、顔を優しく囲み、前髪が額にかかっています。背景はぼやけていますが、彼女が何かを探しているテーブルまたは机の faint outline がうっすらと見えます。肌の質感は滑らかで、淡い赤みを帯びています。非常に近いアングルからのクローズアップショットで、若い女性の自然で集中した表情を捉えています。

現実的なスタイルのマクロショットで、暗いガラスのアンティークダイビングヘルメットとジェットパックを着用した男性が、溶岩の上に立っています。彼は自信を持って歩き出し、体はわずかに前傾し、決意に満ちた表情をしています。彼の背後では、雄大な竜が空を舞っており、翼を広げ、ひらめく光の中で鱗が輝いています。背景には、燃え盛る火山の峰と渦巻く雲が広がる劇的な風景があり、異世界のような危険と冒険を感じさせます。男性は歩いている間も筋肉を収縮させ、腕を広げており、シーンにダイナミックな質感を加えています。わずかに上向きに傾いたミディアムショットで、男性と空を飛ぶ竜の両方を強調しています。

オクタインエンジン風のミニチュア 3D レンダリングで、夢見がちなボケ効果に満ちた背景の中で、愛らしいウールとフェルトのモンスターたちが一緒に踊っている様子が描かれています。これらの柔らかく抱き心地の良い生き物は、大きく表情豊かな目とふさふさした体を持ち、温かく神秘的な光を放つ穏やかで拡散された照明に照らされています。背景には柔らかな霞んだ後景があり、夢のようなボケ効果が加わることで、シーンに映画のような質感が生まれています。モンスターたちはさまざまな角度から捉えられ、その遊び心のある動きや表情が表現され、魅力的で魅惑的な雰囲気を創り出しています。自然で喜びに満ちたウールのモンスターのダンスを際立たせる、ダイナミックなカメラアングルによるミディアムショットです。

風になびく高い草の野原を右へとパノラマに sweeping する眺め。背景には夕日が温かい金色の光を投げかけています。草の葉は太陽の最後の光を捉え、きらめく効果を生み出しています。地平線はぼかされており、鮮やかな草と柔らかく薄れていく空との対比が際立っています。草のダイナミックな動きと夕暮れ時の静かな美しさを捉えるローアングルショットです。

1980 年代の台所に立つダチョウを、ゆっくりとシネマティックにズームインするカメラワーク。徐々にズームが効き、鳥の好奇心に満ちた表情が浮かび上がる。台所にはヴィンテージな家電製品やフォーミカカウンターが飾られ、パステルグリーンとイエローの抑えめなカラーパレットが特徴だ。特徴的な長い首と羽毛の体を持つダチョウは堂々と立ち、片足をわずかに上げている。大きな茶色の瞳は、奇妙な周囲を思案するかのように視聴者へと好奇の眼差しを向ける。背景には床に散らばった古い新聞や、色あせた花柄の壁紙がぼかされたディテールとして描かれている。照明は温かく柔らかく、穏やかな影を落としている。やや低いアングルからのクローズアップショット。

高エネルギーなアクションショットのスタイルで描かれたダイナミックなスノーボーディングシーン。若きスノーボーダーがパウダースノーの斜面を加速して滑り降りる姿が映し出される。決意に満ちた表情のスノーボーダーは、高い松の木の間を巧みに縫うように進み、その幹は渦巻く雪によって部分的に隠されている。雪は清冽でふかふかで、太陽が柔らかな影を落とし、スノーボーダーの動きを際立たせている。背景には霧に包まれた山頂や、遠くに数本のスキーリフトが見える絶景な山の眺めが広がっている。カメラアングルは、スノーボーダーの背後からやや斜めの視点で捉え、そのスピードと機敏さを強調している。

レトロな探偵の帽子をかぶり、拡大鏡とノートブックを持ったアライグマを描いた、リアリズムスタイルの詳細なイラスト。アライグマは表情豊かな茶色の毛並み、大きな丸い目、そして小さな謎めいた物体を調べる好奇心旺盛な表情をしています。2 本の足で立ち、片側に少し傾きながら、目の前の何かをじっと見つめています。背景には古びた本や地図、様々な道具が散らばったごちゃごちゃした探偵のオフィスがあり、シーンに居心地の良いヴィンテージ感を演出しています。部屋は薄暗く、近くのランプからの柔らかい光が差し込んでいます。アクション中のアライグマを捉えたミディアムショット。

嵐の海での航海中に描かれた男性の顔の劇的なクローズアップショットで、彼の激しい恐怖と絶望感が捉えられています。彼の顔は船のランタンの揺らぐ光に照らされ、心配そうな表情を際立たせる影を落としています。暗く荒れ狂う雲が頭上を覆い、波が船に打ち寄せて混沌とした環境をさらに強調しています。男性の目はパニックで見開かれ、唇はきつく結ばれています。乱れた髪と少し濡れた服が緊迫感を高めています。背景は動きのぼやけたもので、周囲には船の甲板と荒れ狂う海が見えます。写真は粗々としたリアリズムな質感を持ち、その瞬間の生々しい感情と葛藤を強調しています。わずかに傾いたアングルからのダイナミックなクローズアップ。

スリムなレーシングスーツを着たカメが、色とりどりのスケートボードに乗って急斜面を滑り降りるダイナミックなアクションショット。カメは決意に満ちた表情で、小さな足を激しく動かしながらスピードと機敏さを活かしてスケートしている。スケートボードの車輪は急速に回転し、背景にはわずかなブレが生じている。丘の斜面は背の高い草や野花に囲まれ、空は白くふんわりとした雲が浮かぶ鮮やかな青色だ。このシーンは、カメが丘を滑り降りる際の勢いと興奮を捉えており、スピード感と動きを強調するためにカメラアングルがわずかに傾けられている。

自然ドキュメンタリー風の鮮やかでダイナミックなイラスト。セレンゲティの広大な草原を優雅に歩くドラゴン・トゥーカンが描かれています。ドラゴン・トゥーカンは、虹色に輝く緑と青の羽毛を持ち、長く曲がった嘴と大きく表情豊かな目を持っています。サバンナを自信を持って歩き進み、バランスを取るために翼をわずかに広げています。背景にはアフリカの野生動物の豊かな織物のような景観が広がり、遠くにシマウマ、ガゼル、象が見えます。太陽が沈みかけ、風景全体に温かい金色の光を投げかけています。カメラアングルは低く地面レベルからの視点で、草の中を移動するドラゴン・トゥーカンの動きを捉えています。

クラシックなハリウッド映画のスタイルによる動的なトラッキングショット。雪景色の中をすすり進む蒸気機関車を捉えています。列車は緊迫感を持って前方へ進み、カメラがその背後に密着して追従することで、旅の速さと力強さが強調されます。スノーフレークが列車の周りを渦巻き、動きと寒さの感覚を生み出します。風景は急速に変化し、濃い森や曲がりくねった線路、雪に覆われた遠くの山々が現れます。背景にはぼかされた雪に覆われた木々と遠くの丘があり、雲間から差し込む日光の筋が点在しています。列車の煙突からは膨らむ蒸気が放出され、劇的な効果を一層高めています。広角レンズが広大な景色を捉え、雪に覆われた荒野の壮大さを強調します。

手持ちカメラによるショットで、背の高い草が生い茂る野原を走る幼い子供を追っています。その動きの spontaneity と playfulness を捉えています。子供は茶色の巻き毛でいたずらっぽい笑みを浮かべ、腕を自由に振りながら緑の広がりの中を疾走します。小さな足が草や土を蹴り上げ、背後に跡を残します。背景にはぼかされた風景があり、起伏のある丘と点在する野花が、暖かい日光に包まれています。写真は自然でドキュメンタリースタイルの質感を持ち、その瞬間の動的な動きと喜びを強調しています。やや高いアングルからの動的な手持ちショットで、子供のエネルギッシュな走りを追っています。

そばに寄ったマクロショットで、そばかすのある若い女性の顔がクローズアップされています。彼女は何かを必死に見つめている表情で、その目は大きく開かれ、わずかに細められ、探している対象にじっと見つめています。頬や鼻には散りばめられたそばかすがあり、彼女の顔に遊び心のある魅力を加えています。髪は緩やかに解かれており、顔を優しく囲み、前髪が額にかかっています。背景はぼやけていますが、彼女が何かを探しているテーブルまたは机の faint outline がうっすらと見えます。肌の質感は滑らかで、淡い赤みを帯びています。非常に近いアングルからのクローズアップショットで、若い女性の自然で集中した表情を捉えています。

現実的なスタイルのマクロショットで、暗いガラスのアンティークダイビングヘルメットとジェットパックを着用した男性が、溶岩の上に立っています。彼は自信を持って歩き出し、体はわずかに前傾し、決意に満ちた表情をしています。彼の背後では、雄大な竜が空を舞っており、翼を広げ、ひらめく光の中で鱗が輝いています。背景には、燃え盛る火山の峰と渦巻く雲が広がる劇的な風景があり、異世界のような危険と冒険を感じさせます。男性は歩いている間、筋肉を収縮させ、腕を広げており、シーンにダイナミックな質感を加えています。わずかに上向きに傾いたミディアムショットで、男性と空を飛ぶ竜の両方を強調しています。

オクタインエンジン風のミニチュア 3D レンダリングで、夢見がちなボケ効果に満ちた背景の中で、愛らしいウールとフェルトのモンスターたちが一緒に踊っている様子が描かれています。これらの柔らかく抱き心地の良い生き物は、大きく表情豊かな目とふさふさした体を持ち、温かく神秘的な光を放つ穏やかで拡散された照明に照らされています。背景には柔らかな霞んだ後景があり、夢のようなボケ効果が加わることで、シーンに映画のような質感が生まれています。モンスターたちはさまざまな角度から捉えられ、その遊び心のある動きや表情が表現され、魅力的で魅惑的な雰囲気を創り出しています。自然で喜びに満ちたウールのモンスターのダンスを際立たせる、ダイナミックなカメラアングルによるミディアムショットです。

風になびく高い草の野原を右へとパノラマに sweeping する眺め。背景には夕日が温かい金色の光を投げかけています。草の葉は太陽の最後の光を捉え、きらめく効果を生み出しています。地平線はぼかされており、鮮やかな草と柔らかく薄れていく空との対比が際立っています。草のダイナミックな動きと夕暮れ時の静かな美しさを捉えるローアングルショットです。

1980 年代の台所に立つダチョウを、ゆっくりとシネマティックにズームインするカメラワーク。徐々にズームが効き、鳥の好奇心に満ちた表情が浮かび上がる。台所にはヴィンテージな家電製品やフォーミカカウンターが飾られ、パステルグリーンとイエローの抑えめなカラーパレットが特徴だ。特徴的な長い首と羽毛の体を持つダチョウは堂々と立ち、片足をわずかに上げている。大きな茶色の瞳は、奇妙な周囲を思案するかのように視聴者へと好奇の眼差しを向ける。背景には床に散らばった古い新聞や、色あせた花柄の壁紙がぼかされたディテールとして描かれている。照明は温かく柔らかく、穏やかな影を落としている。やや低いアングルからのクローズアップショット。

高エネルギーなアクションショットのスタイルで描かれたダイナミックなスノーボーディングシーン。若きスノーボーダーがパウダースノーの斜面を加速して滑り降りる様子が捉えられている。決意に満ちた表情のスノーボーダーは、高い松の木の間を巧みに縫うように進み、その幹は渦巻く雪によって部分的に隠されている。雪は清冽でふかふかで、太陽が柔らかな影を落とし、スノーボーダーの動きを際立たせている。背景には霧に包まれた山頂や、遠くに数本のスキーリフトが見える絶景な山の眺めが広がっている。カメラアングルは、スノーボーダーの背後からやや斜めの視点で捉え、そのスピードと機敏さを強調している。

Flex-Forcingによって生成された5秒間の動画 — より高速かつ高品質。任意のクリップにカーソルを合わせて停止し、プロンプトを確認できます。

1 つのモデルで双方向・自己回帰的生成を実現

Flex-Forcing は、自己回帰的生成と双方向的生成という両方の生成スペクトラムを統合しています。スライダーを双方向チャンクから自己回帰的小チャンクへドラッグすると、その間のあらゆるモードにおいて同じプロンプトが生成される様子を確認できます。

chunk 21

1 チャンク · 完全な双方向性

chunk 21

1 チャンク · 完全な双方向性

Chunk configuration *(shared by both videos)*

21

2111 / 109 / 6 / 67 / 7 / 76 / 5 / 5 / 55 / 4 / 4 / 43 / 3 / 3 / 3 / 3 / 3 / 3

← 双方向性 (大チャンク · グローバル計画)

自己回帰的 (小チャンク · ストリーミング) →

パネルごとにプロンプトを選択し、共有スライダーをドラッグしてください。大きなチャンクほどグローバルに計画を行い（双方向拡散に近い）、小さなチャンクほど自己回帰的に生成を行います — 同じモデルがあらゆるプロンプトにおいて両端のモードをカバーします。

要旨

大規模生成モデルにおける最近の進展は動画生成を大幅に前進させましたが、既存の方法はいまだに硬直した推論パラダイムによって制約されています。双方向拡散モデルはグローバルな一貫性と視覚的忠実度に優れていますが、推論速度が遅いという欠点があり、一方、自己回帰モデルは長期的な一貫性と曝露バイアスの犠牲を払うことで効率的でストリーミング型の生成を提供します。私たちはFlex-Forcingを導入しました。これは、動画拡散モデルが双方向および自己回帰の両方の生成レジームの下でシームレスに動作することを可能にする統合されたトレーニングおよび推論フレームワークです。その核心となるアイデアは、時間次元とノイズ除去ステップの両方にまたがる柔軟なチャンキング機構を共同定義することです。この設計により、モデルは（1）異なるデバイス予算をサポートするために柔軟にチャンク化し、（2）各チャンク内で効率的で微細な合成を行うために自己回帰的にフレームを生成する一方で、グローバル構造計画のためにチャンク間で双方向推論を実行し、（3）厳密な因果制約なしに任意の順序・任意のタイムステップでの自己回帰的生成を行うことが可能になります。複数のベンチマークにおける広範な実験により、Flex-Forcingが強力なベースラインと比較して一貫して優れた動画品質と長編動画の安定性を達成し、かつより高速な推論を提供できることが示されました。

Method

動画フレームとノイズ除去タイムステップの両方にまたがる単一の柔軟なチャンク化メカニズムにより、自己回帰的生成、双方向生成、ハイブリッド生成を一つのモデル内で統合します。

フレームとタイムステップにわたる柔軟なチャンク化。 微細なチャンクは自己回帰的（autoregressive）生成を再現し、効率的ですが品質は低くなります。一方、単一の粗いチャンクは双方向（bidirectional）生成を再現し、高品質ですが効率性は劣ります。Flex-Forcing はこれら二つの間を補間します：フレームにわたるチャンク化が粒度を設定し、タイムステップにわたるチャンク化により、ノイズ除去の軌道に沿って（高ノイズから低ノイズへ）粒度が進化します。

速度と品質のトレードオフ

あらゆる設定において、Flex-Forcing は FPS と VBench スコアの両方で Self-Forcing を上回ります。

チャンク構成に対する全探索（5 秒動画を 21 の潜在フレームにわたる 3 つのチャンクに分割）。 パレート最適なハイブリッド [9, 6, 6] は、粗から細へのパターンであり、均一な [7, 7, 7] や Self-Forcing [3, 3, …] を FPS と VBench の両方で上回り、完全に双方向な推論をもわずかに凌駕します。

異なる設定において、当モデルは自己強制法（Self-Forcing）に対し、FPS（フレーム毎秒）およびVBenchスコアの両方で優れた性能を発揮します。

定性的比較

同じプロンプト下における Flex-Forcing（本手法）と Self-Forcing の比較。

"優雅なクラゲが透き通った水中を漂う、魅力的な underwater video。"

Self-Forcing

本手法

"揺らめくろうそくの炎からズームアウトするシネマティックな映像で、次第にアンティーク品で飾られた薄暗い部屋が明らかになる。"

Self-Forcing

本手法

"触れるたびに色が変化する粘土を巧みに成形する人物のクローズアップショット。"

Self-Forcing

本手法

"朝の霜が繊細な層となって、一輪のバラの花びらからゆっくりと溶け落ち、小さな水滴が光の中できらめく様子。"

Self-Forcing

本手法

"スーパーヒーロー映画のようなスタイルで描かれた劇的なアクションショット。巨大な石を押しのける男性の姿。"

Self-Forcing

本手法

「集中した表情をした、おそらく若手アーティストである人物を描いた、リアルなスケッチスタイルのイラスト。」

自己強制

私たちの手法

長期一貫性と動的度（30 秒動画）

広範な時間軸における自己回帰比較 — Flex-Forcing は、より高い動的度を維持しつつ、時間経過に伴う安定性を保ちます。

「ネオンに輝く街並みを一人のロボットが探索する様子を描いた、サイバーパンクスタイルのイラスト。」

Infinity-RoPE

私たちの手法

「トロピカルなマウイ島を元気に探索するコーギーを、活気あふれるライブブログスタイルで撮影した動画。」

Infinity-RoPE

私たちの手法

「スポットライトの中で歌う女性をフィーチャーし、ミュージックビデオ風のスタイルで描かれた、鮮やかなコンサート会場のシーン。」

Infinity-RoPE

私たちの手法

「人間のような姿をした巨大な巨人を描いた、ドラマチックで壮大なファンタジースタイルのイラスト。」

Infinity-RoPE

私たちの手法

動画は 3 倍速で再生されます。

アプリケーション：任意順序・任意タイムステップでの編集

高レベルの計画を固定したまま低レベルの微調整タイムステップに編集を制限することで、グローバルな構造とローカルな詳細を分離し、小さな編集がフレーム全体に伝播する Self-Forcing に比べてはるかに優れた一貫性を実現します。過去および未来のトークンの両方に注意を向けることで、当社のモデルは時間的な順序に関係なく任意のチャンクを編集できます。

編集なし

外観のスタイル化

巨大なサングラスを着用する

新しいオブジェクト

猫が庭の小道を横切って走る

環境との相互作用

その足元から塵が舞い上がる

新しいアクション

遊び心のあるジャンプで上方へ跳躍する

Self-Forcing

Flex-Forcing (本稿)