arXiv は 2026 年 10 月 21 日、コンピュータビジョン分野の新規論文「Latent Space Jam: Layout Guided Video Synthesis（潜在空間ジャム：レイアウト誘導型動画合成）」を公開した。識別子は arXiv:2610.30390v1、分類はコンピュータビジョンとパターン認識（cs.CV）である。著者は Asaf Joseph ほか 2 名の計 3 名。投稿履歴によれば、v1 は 2026 年 10 月 21 日水曜日 19:48:57 UTC に提出され、ファイルサイズは約 21,874 KB。DOI は https://doi.org/10.48550/arXiv.2610.30390 で、arXiv が DataCite 経由で発行しており、登録手続きは現在も保留中とされている。
本論文が扱う中心課題は、動画生成における制御性である。著者らは、動画生成モデルに制御を追加する場合、通常は追加の学習が必要となり、そのために計算資源・データ・アーキテクチャの変更といったコストが発生すると指摘する。そこで本研究では、事前学習済みの動画拡散モデルをそのまま活用し、粗いレイアウトによって物体の配置と動きを制御する、学習不要のアプローチを提案している。
手法は 2 つのパスで構成される。第 1 パスでは、プロンプト誘導のクロスアテンションを用いて時空間的な配置を操作し、粗い視覚ガイドを生成する。第 2 パスでは、このガイドを条件として同じモデルに与え、高品質かつレイアウトに整合した動画を生成する。両パスが同一の事前学習モデルを共有するため、追加学習なしで動作する点が特徴である。著者によれば、この設計により強い時間的一貫性を備えた協調的な動きが可能になり、多様な軌道や物体間の相互作用にも対応できるという。
実験面では、静的・動的・複数物体の各シーン設定において、重なり（オーバーラップ）精度、軌道精度、そして視覚品質のいずれでも従来手法を一貫して上回ったと報告されている。ただし、これらの性能に関する結論はあくまで著者自身による主張であり、実験の詳細や比較対象となるベースラインについては、PDF または実験的な HTML 版を直接参照して評価する必要がある。また、論文ページ上の参考文献や引用データの一部はまだ読み込み中の状態となっている。
動画生成の制御性に関心を持つ研究者にとって、本研究の示唆は明快である。モデルを再学習するのではなく、既存の拡散モデルのアテンション機構と 2 段階のガイディングを組み合わせることでレイアウト制御を実現し、導入の敷居と計算コストを下げられる可能性がある。今後の注目点は、異なる基盤モデルへの汎化性能と、より複雑な複数物体の相互作用シーンでの挙動であろう。