自己回帰ビデオ拡散モデルはストリーミング生成を可能にする一方で、長いロールアウトではしばしば劣化が生じる。静的なシーン配置がドリフトする一方、空間的安定性を向上させるメカニズムは運動を抑制しがちで、水、火、煙といった自然の流れが停滞してしまう。本論文「Steady-Forcing: Balancing Spatial Persistence and Motion Continuity in Long-Horizon Nature Video Diffusion」は、固定カメラの長期的な自然動画生成におけるこの安定性と運動性のトレードオフを研究している。著者らは、固定カメラ設定では移動カメラ設定よりも2つの失敗モードを明確に分離できると指摘し、方法設計と評価のための制御された基盤を提供している。
論文では、記憶と学習を組み合わせたフレームワーク「Steady-Forcing」を提案する。中核となるコンポーネントには、長いシーケンス全体で背景の同一性を保つ永続的視覚アンカー（V-Sink）、運動の連続性を維持する指数移動平均運動記憶（EMA-Sink）、時間構造の理解を助けるブロック相対時間エンコーディング、誤差蓄積を軽減する定期的なキャッシュ浄化、そしてWan2.1-14B教師モデルから運動報酬付き事前分布を蒸留し、タスクに焦点を当てた設定で訓練することが含まれる。これらのコンポーネントが協調して、数分にわたる自己回帰ロールアウトにおいて、背景の視覚的一貫性を保ちながら流体力学的挙動の視覚的妥当性を持続させることを目指す。
有効性を検証するため、著者らは7つのベースラインで評価を行った。結果は、Steady-Forcingが長期的な背景一貫性と画質を向上させることを示している。さらに、盲検ユーザー研究では、参加者が知覚する安定性と運動継続性がより強いことが示された。特筆すべきは、論文がベンチマーク評価の限界についても議論している点である。汎用のVBench集約スコアは固定カメラのアーティファクトを十分に罰せず、ドリフトによって生じたオプティカルフローを動的度として報酬する一方で、テクスチャの硬化や流れの停滞を直接罰していない。このことは、静的カメラの自然流動評価のためのタスク特化型ベンチマークの設計を将来の課題として動機づけている。
本論文は2026年6月2日に提出され、Matiur Rahman Minarら4名の著者による。コンピュータビジョンとパターン認識（cs.CV）に分類され、人工知能、機械学習、マルチメディアにも関連する。プロジェクトページでは追加のリソースやデモが公開されている。この研究は、長期的なビデオ生成の劣化を緩和する実用的なフレームワークを提案するだけでなく、特定のシナリオにおける既存の評価指標の不備を明らかにし、今後の研究の方向性を示している。