長動画生成は人工知能分野における重要な課題であり、特に1分を超える動画の合成には多くの困難が伴う。ストリーミング自己回帰拡散モデルは分単位の動画合成を実現するが、その固定コンテキストと均一なノイズ除去スケジュールにより、リソースが非効率的に割り当てられるという問題がある。具体的には、ローリングキーバリューキャッシュは遠くの視覚的証拠を忘れてしまい、各生成チャンクは実際の難易度に関わらず同じ数のノイズ除去ステップを受けるため、計算資源が無駄になる。
これらの制限を克服するため、Shuwei Shiら7名の研究者が提案した「Surprise Forcing: What to Remember, When to Skip in Long Video Generation」は、学習不要のフレームワーク「サプライズフォーシング」を導入した。このフレームワークは、上記の2つの問題をオンラインリソース割り当て問題として統一的に扱い、2つの中核コンポーネントによって効率的な割り当てを実現する。
第1のコンポーネントはサプライズゲート記憶バンクである。このバンクは、値トークンディスクリプタを用いてローリングキャッシュから追い出されたフレームを要約し、グローバル偏差（フレームの全体的な逸脱度）と最近傍新規性（近傍との差分）という相補的な信号を用いて各フレームの重要性を評価する。そして、フィードバック制御された予算に基づき、正規化されたスコア空間で外部記憶バンクへのアクセスを調整する。優先度ベースの置換と関連性認識ルーティングにより、記憶バンクは常にコンパクトで有用に保たれ、重要な遠距離情報を保持する。
第2のコンポーネントはサプライズアウェアノイズ除去である。この機構は、最初のノイズ除去パスの後、隣接フレーム間の最大コサイン距離を計算してチャンクの生成難易度を推定する。この難易度に基づき、ローカルパーセンタイルスケジューラを用いて、比較的簡単なチャンクの中間ノイズ除去ステップを自動的にスキップする。これにより、計算リソースを難しいチャンクに集中させ、全体の効率を向上させる。
研究チームはVBench、VBench-Long、VBench-2.0の3つのベンチマークで実験を行った。結果は、サプライズフォーシング戦略がリアルタイムストリーミングスループットを維持しながら、長期的な一貫性と画質を大幅に向上させることを示した。この手法は追加の学習を必要としないため、既存のストリーミング自己回帰拡散モデルに容易に統合でき、長動画生成の実用的なソリューションとなる。
本論文は2026年7月20日にarXivにテクニカルレポートとして提出され、コンピュータビジョンとパターン認識の分野に属する。提案されたリソース割り当ての視点は、動画生成に限らず、他のシーケンス生成タスクにおけるコンテキスト管理にも示唆を与える可能性がある。