自己回帰ビデオ拡散モデルは、生成された潜在変数を因果コンテキストとして再利用することで、効率的なストリーミングと長期的なビデオ生成を実現します。しかし、この自己回帰的なアプローチは時間誤差を増幅し、生成されたビデオにちらつき、モーションジッター、構造ドリフトなどの問題を引き起こします。この問題を解決するために、研究者らはスペクトル運動学的観点から分析を行い、離散的な潜在加速度が不安定な高周波時間摂動を明らかにする有効な信号であることを特定しました。そこで彼らは、訓練不要の手法であるSAGA（安定加速ガイダンス）を提案します。
SAGAは、有限ウィンドウSlepian投影に基づく加速領域スペクトルガイダンスと、構造化された自己回帰ノイズ初期化戦略を統合しています。前者は高周波干渉を抑制し、後者は長距離の運動構造を維持しながら短距離の時間相関を抑制します。再訓練やバックボーンの変更は不要で、既存のチャンク単位の自己回帰拡散モデルに直接適用できます。これにより、高品質生成のための一般的な設定に容易に組み込むことが可能です。
実験結果では、Self-Forcingモデルにおいて、時間品質が97.30から97.91に、画像品質が69.60から70.51に向上しました。さらに、スペクトル分析と人間による選好研究により、SAGAが視覚的忠実度を維持しつつ時間的不安定性を低減することが示されました。この研究は、自己回帰ビデオ生成における時間的一貫性の新たな解決策を提供し、今後の発展が期待されます。本論文はarXivに2026年7月9日に投稿され、著者はThanh-Nhan Vo氏らです。論文番号はarXiv:2607.08020で、コンピュータビジョンとパターン認識の分野に分類されます。