要約
CNNやRNNからViTに至るまで、ビデオ予測分野では補助入力の導入、複雑なニューラルアーキテクチャの設計、高度な学習戦略の採用といった顕著な進展が見られました。これらの進歩には敬意を表しますが、同時に疑問も生じます。本当にこれほど複雑な手法が必要なのか？ 本論文では、CNNのみを完全に用いて、エンドツーエンドでMSE損失により学習するシンプルなビデオ予測モデル「SimVP」を提案します。追加のテクニックや複雑な戦略を導入することなく、5つのベンチマークデータセットにおいて最先端の性能を達成しています。拡張実験を通じて、SimVPが実世界データセットにおいて優れた汎化性能と拡張性を有していることを示しました。また、学習コストの大幅な削減により、より複雑なシナリオへのスケーラビリティも容易になります。我々は、SimVPがビデオ予測分野のさらなる発展を促す堅実なベースラインとして機能すると確信しています。コードは以下のGitHubページで公開されています：\href{https://github.com/gaozhangyang/SimVP-Simpler-yet-Better-Video-Prediction}{GitHub}。