体系 › 時系列データ系
·★ 会員·論文·9分で読めます

論文解説: Video Generation Models: A Survey of Post-Training and Alignment — 動画生成AIを「言うことを聞く」ようにする4つの道具箱

事前学習済みの動画生成モデルを作り直さずに「指示どおり・時間的に一貫・物理的にもっともらしく・安全」へ寄せる後学習を、教師あり微調整・自己学習と蒸留・選好と報酬・推論時の4系統で整理したサーベイを、前提知識なしで読み解きます。

要点

  • 本論文は新手法の提案ではなく、動画生成の後学習(post-training)とアラインメントを体系立てて整理したサーベイである。
  • 動画生成には、時間とともに誤差が積み上がる、動きと見た目が絡み合う、複数の目標がぶつかる、時間的な教師データが乏しい、という難しさがある。
  • 既存手法は、教師あり微調整、自己学習と蒸留、選好・報酬ベース、推論時手法の4系統に整理される。
  • 事前学習済みモデルは人にとっての有用性ではなくデータの尤度を最適化するので、「平均的なウェブ動画」を再現しがちである。
  • 教師あり微調整の多くは L = L_sup + λL_reg の形にまとめられ、実務では一部だけを更新する LoRA が主役である。
対象imageタスクforecasting

Video Generation Models: A Survey of Post-Training and Alignment

一次資料 — この記事の根拠

論文の発表 2026-09-30→この解説の公開 2026-10-05同月

Video Generation Models: A Survey of Post-Training and AlignmentChaoyu Li, Xiaoyi Gu, Yogesh Kulkarni ほか · 2026-09-30 · v1arXiv:2610.00812論文ページ·PDF
原文の要旨(Abstract)を読む

Video generation has rapidly progressed from short, low-quality clips to high-resolution, long-duration sequences with complex spatiotemporal dynamics. Despite strong generative priors learned through large-scale pretraining, pretrained video models often fail to reliably follow human intent, maintain temporal coherence, or satisfy physical and safety constraints. Compared with image and text generation, alignment in video generation presents unique challenges, including error accumulation over time, motion-appearance coupling, multi-objective trade-offs, and limited supervision for temporal properties. These challenges motivate systematic post-training strategies that adapt pretrained models without retraining them from scratch. In this survey, we present the first comprehensive review of post-training and alignment in video generation models. We frame post-training as a unifying framework and distinguish between implicit alignment and explicit alignment based on how alignment signals are enforced. From this perspective, we organize existing approaches into four broad categories: supervised fine-tuning methods, self-training and distillation methods, preference- and reward-based methods, and inference-time methods. This taxonomy provides a coherent view of how alignment signals shape model behavior across both training and deployment. Beyond methodological advances, we review commonly used datasets, benchmarks, and evaluation practices, and discuss open challenges such as scalable reward design, long-horizon temporal consistency, stability-expressiveness trade-offs, and safety-aware generation. This survey aims to provide a structured conceptual foundation and practical guidance for advancing controllable and reliable video generation models.


この論文は何を整理したのか

今回読むのは "Video Generation Models: A Survey of Post-Training and Alignment"(Chaoyu Li ほか、Arizona State University などの共同研究、arXiv:2610.00812、2026年9月30日公開、TMLR 2026 掲載)です。新手法の提案ではなく、既存研究を体系立てて並べ直すサーベイです。

アブストラクトの主張はこうです。動画生成は高解像度・長尺へと急速に進歩したが、大規模事前学習を経たモデルでも、人の意図に確実に従う、時間的な一貫性を保つ、物理や安全の制約を満たす、といった点でしばしば失敗する。動画には、時間とともに誤差が積み上がる、動きと見た目が絡み合う、複数の目標がぶつかる、時間的な性質の教師データが乏しい、という画像やテキストには無い難しさがある。そこで本サーベイは後学習(post-training)を統一的な枠組みとし、信号の効かせ方で暗黙的/明示的アラインメントを区別して、既存手法を ①教師あり微調整 ②自己学習と蒸留 ③選好・報酬ベース ④推論時手法 の4系統に整理する。あわせてデータセット・ベンチマーク・評価方法を概観し、未解決課題を論じる。

比喩: 修行を終えた料理人を「店の味」に合わせる

事前学習は、ネット上の膨大な料理動画を眺めて腕を覚えた新人料理人です。何でもそれなりに作れますが「平均的な味」になりがちです。論文も、事前学習済みモデルは人にとっての有用性ではなくデータの尤度を最適化しているので「平均的なウェブ動画」を再現しがちだ、と書いています(§2.3)。

後学習は店に合わせる修行です。レシピ通りに作らせて直す(教師あり微調整)、師匠の手さばきを短い手順で真似る(蒸留)、客に2皿を食べ比べてもらう(選好・報酬)、出す直前に味見して塩を足す(推論時手法)。どれも一から育て直さない点が共通です。

後学習は「何を」足すのか

論文は動画生成を条件付き分布の学習として書きます(§2.1)。

v∼pθ(v∣c)\mathbf{v} \sim p_\theta(\mathbf{v} \mid \mathbf{c})
(1)

言い換えると「条件 c\mathbf{c}(文章・参照画像・編集指示など)を与えて、動画 v\mathbf{v} をモデルから引く」です。後学習はこの分布を作り直さず、望ましい側へ傾けます。教師あり微調整の多くは次の形にまとめられます(§3.1)。

L=Lsup+λ Lreg\mathcal{L} = \mathcal{L}_{\text{sup}} + \lambda\,\mathcal{L}_{\text{reg}}
(2)

前半は「正解の動画に近づけ」、後半は「元の能力や時間的一貫性を壊すな」という歯止めで、λ\lambda はその強さです。実務では全体ではなく一部だけを更新する LoRA が主役で、パノラマ動画への特化を低ランク更新で表した PanoLora などが例に挙がっています(§3.2)。

FIG 1ランク r を上げると誤差は下がるが学習パラメータも増える。LoRA で動画モデルを特化させるときの「どこまで足すか」の感覚

論文は4つの難しさを挙げます(§1)。小さなずれが時間とともに積み重なる誤差の蓄積、顔を守ると動きが固くなる動きと見た目の結合、自然な動き・一貫性・同一性・物理的妥当性が引っ張り合う多目的の衝突、そして時間的性質への教師の不足です。代わりに学習した評価器に頼ると偏りが入り込みます。…

この先にあるもの

§

ここから先は会員限定です

解説記事449本・教科書42章・学生モード48単元・論文精読6本が、月額¥490ですべて読み放題になります。新しい解説は1日あたり平均3本ほど増えます。いつでも解約でき、解約後も期間の終わりまで読めます。

会員の方はログインすると続きが表示されます

参考文献

  1. Chaoyu Li, Xiaoyi Gu, Yogesh Kulkarni, Eun Woo Im et al.. (2026-09-30) Video Generation Models: A Survey of Post-Training and Alignment. arXiv:2610.00812論文ページ·PDF

本記事は上記論文の本文にもとづいて執筆しています。数値・主張は原典を優先してください。

運営: TechAthletes · 編集方針 · 出典の付け方 · 訂正の記録

コメント

コメントにはログインが必要です