arXiv cs.AI· Avishree Khare, Hideki Okamoto, Bardh Hoxha, Georgios Fainekos, Rajeev Alur·· 2 天前AI 评分27
用时序逻辑规范引导文本到视频生成：TSG 框架提升时序约束满足度
Temporal Specification Guidance for Text-to-Video Generation
AI 导读
研究者提出 Temporal Specification Guidance（TSG），一种免训练的推理时框架，将时序逻辑规范转化为可执行目标来引导视频生成采样。该框架用可微定量语义对视觉概念证据轨迹打分，并以梯度构建规范引导的去噪方向，增强 CFG。在覆盖 11 类时序约束的 220 条提示词基准上，该方法在五个模型上将规范满足准确率较 CFG 提升 9.5-20 个百分点，且内存开销极小。
正文 · AI 翻译
摘要：文本到视频模型通常能生成自然语言提示中要求的视觉概念，但无法满足其预期的顺序、时序和持续性要求。我们提出将这些要求表示为形式化时序逻辑中的规约，并引入时序规约引导（TSG），这是一个无需训练的推理时框架，可将时序规约转化为可执行目标，以在采样过程中引导视频生成。TSG 使用可微的定量语义对视觉概念证据的轨迹进行评分，并利用该分数的梯度构建规约引导的去噪方向。我们以视频-文本注意力轨迹、度量时序逻辑的高效可微分数以及梯度导出的注意力偏置来实例化该框架。该实例化既不需要外部概念分类器，也不需要通过视频 Transformer 进行反向传播。其注意力引导的前向传播产生一个去噪方向，用于增强无分类器引导（CFG）。在涵盖 11 类时序约束（包括有序物体进入和状态转换）的 220 条提示基准上，该实例化在五个模型上将规约满足准确率较 CFG 提升 9.5-20 个百分点，且内存开销极小。这些结果展示了时序规约和可微满足目标作为控制视频生成的灵活接口的潜力。
| 主题： | 人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.20822 [cs.AI] |
| （或使用 arXiv:2610.20822v1 [cs.AI] 获取此版本） | |
| https://doi.org/10.48550/arXiv.2610.20822 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Avishree Khare [查看电子邮件]
[v1]
2026年10月14日星期三 19:09:33 UTC（23,419 KB）
来源：arXiv cs.AI · arxiv.org