要約

連続空間における動画生成は急速に進展している一方で、離散的手法は誤差の累積や長期間の文脈不整合の問題から遅れをとっている。本研究では、離散的生成モデリングを再検討し、空間的・時系列的トークンの反復的グローバルな精緻化として動画生成タスクを定式化する、シンプルでありながら強力なフレームワーク「メトリックパスを用いた均一離散拡散（Uniform discRete diffuSion with metric pAth, URSA）」を提案する。URSAは、線形化されたメトリックパスと解像度依存のタイムステップシフト機構という2つの鍵となる設計を統合しており、高解像度画像合成および長時間動画生成へのスケーラビリティを効率的に実現しつつ、推論ステップ数を大幅に削減できる。さらに、一貫したモデル内で補間や画像から動画生成といった多様なタスクを統合する非同期時系列微調整戦略を導入した。厳しい動画および画像生成ベンチマークにおける広範な実験により、URSAが既存の離散的手法を一貫して上回り、最先端の連続拡散手法と同等の性能を達成することが示された。コードおよびモデルは、https://github.com/baaivision/URSA にて公開されている。