🤖 AI

NaviCache: Test-Time Self-Calibration Caching for Video Generation

NaviCache वीडियो डिफ्यूजन मॉडल्स के लिए एक प्लग-एंड-प्ले टेस्ट-टाइम सेल्फ-कैलिब्रेशन विधि है जो फीचर इवोल्यूशन को इनर्शियल नेविगेशन सिस्टम समस्या के रूप में पुनर्कल्पित करती है ताकि ऑफलाइन कैलिब्रेशन डेटा पर निर्भर रहे बिना एरर-बाउंडेड कंप्यूटेशन स्किपिंग और बेहतर त्वरण प्रदर्शन प्राप्त किया जा सके।

मूल लेखक: Zheqi Lv, Zhibo Zhu, Jinke Wang, Qi Tian, Shengyu Zhang, Zhengyu Chen, Chengxi Zang, Zhou Zhao, Fei Wu

प्रकाशित 2026-06-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zheqi Lv, Zhibo Zhu, Jinke Wang, Qi Tian, Shengyu Zhang, Zhengyu Chen, Chengxi Zang, Zhou Zhao, Fei Wu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

बड़ी समस्या: वीडियो AI एक "भारी काम करने वाला" है

कल्पना कीजिए कि आप एक AI का उपयोग करके एक वीडियो बनाने की कोशिश कर रहे हैं। यह AI (जिसे वीडियो डिफ्यूजन मॉडल कहा जाता है) एक मूर्तिकार की तरह काम करता है जो पत्थर के एक ब्लॉक को तराश कर आकृति निकालता है। यह रैंडम शोर (noise) के एक ब्लॉक से शुरू होता है और, चरण-दर-चरण, वह "शोर" को हटाकर एक स्पष्ट वीडियो को सामने लाता है।

एक उच्च-गुणवत्ता वाला वीडियो प्राप्त करने के लिए, AI को इन दर्जनों तराशने वाले चरणों (chipping steps) से गुजरना पड़ता है। प्रत्येक चरण के लिए AI को भारी मात्रा में गणित करने की आवश्यकता होती है। यह एक इंसान से एक चित्र बनाने के लिए लगातार 50 बार एक जटिल गणितीय समस्या हल करने के लिए कहने जैसा है। इसमें बहुत समय लगता है और बहुत अधिक कंप्यूटर शक्ति का उपयोग होता है, जिससे इसे रियल-टाइम में चलाना कठिन हो जाता है।

वर्तमान समाधान: दो दोषपूर्ण दृष्टिकोण

शोधकर्ताओं ने कुछ चरणों को छोड़कर इस प्रक्रिया को तेज करने की कोशिश की है। उनके पास दो मुख्य रणनीतियाँ हैं, लेकिन दोनों में समस्याएँ हैं:

"मैप रीडर" दृष्टिकोण (ऑफलाइन कैलिब्रेशन):
- यह कैसे काम करता है: वीडियो जेनरेट करने से पहले, AI पिछले वीडियो के एक विशाल पुस्तकालय का अध्ययन करके एक "मानचित्र" या नियम पुस्तिका बनाता है। वह सीखता है, "ओह, जब इनपुट X जैसा दिखता है, तो आउटपुट आमतौर पर Y में बदल जाता है।"
- दोष: यह मानचित्र स्थिर (static) है। यदि आप AI को किसी ऐसे नए विषय पर वीडियो बनाने के लिए कहते हैं जिसे उसने पहले नहीं देखा है, तो मानचित्र गलत हो सकता है। साथ ही, मानचित्र बनाने में बहुत समय और पैसा खर्च होता है। यह एक अलग शहर के मानचित्र का उपयोग करके एक नए शहर में रास्ता खोजने की कोशिश करने जैसा है।
"अनुमान लगाने वाला खेल" दृष्टिकोण (ज़ीरो-ऑर्डर एप्रोक्सिमेशन):
- यह कैसे काम करता है: यह विधि किसी मानचित्र का उपयोग नहीं करती है। इसके बजाय, यह देखती है कि पिछले चरण में क्या हुआ था और मान लेती है कि अगला चरण बिल्कुल वैसा ही होगा। "यदि कार पिछले सेकंड में 1 मीटर बाईं ओर चली, तो वह इस सेकंड में भी 1 मीटर बाईं ओर चलेगी।"
- दोष: यह मोमेंटम (गति/जड़त्व) की अनदेखी करता है। वास्तविक जीवन में, चीजें अचानक रुकती या शुरू नहीं होतीं; उनमें जड़त्व (inertia) होता है। यदि AI वीडियो के किसी "अशांत" (turbulent) हिस्से में है (जैसे कि एक तेज़ विस्फोट), तो यह मानना कि अगला चरण पिछले चरण के समान ही होगा, त्रुटियों, धुंधली छवियों या अजीब गड़बड़ियों का कारण बनता है। यह कार चलाने और यह मानने जैसा है कि सड़क समतल है क्योंकि पिछला एक इंच समतल था, भले ही आप एक खाई में गिरने वाले हों।

समाधान: NaviCache (एक "इनर्शियल नेविगेशन सिस्टम")

इस शोध पत्र के लेखकों ने NaviCache का प्रस्ताव दिया है। उन्होंने महसूस किया कि शोर को वीडियो में बदलने की AI की प्रक्रिया यादृच्छिक (random) नहीं है; यह एक सुचारू पथ का अनुसरण करती है, ठीक वैसे ही जैसे अंतरिक्ष में उड़ता हुआ एक अंतरिक्ष यान।

उन्होंने AI के फीचर विकास को केवल अनुमानों की एक श्रृंखला के रूप में नहीं, बल्कि एक नेविगेशन समस्या के रूप में देखने का निर्णय लिया। उन्होंने इनर्शियल नेविगेशन सिस्टम (INS) से तकनीक उधार ली है जिसका उपयोग रॉकेटों और पनडुब्बियों में किया जाता है।

NaviCache कैसे काम करता है (रूपक)

कल्पना कीजिए कि आप घने कोहरे में एक विमान उड़ा रहे हैं। आप जमीन नहीं देख सकते (आपको सटीक आउटपुट अभी पता नहीं है), लेकिन आपके पास उपकरण (instruments) हैं।

प्रारंभिक संरेखण (कंपास को कैलिब्रेट करना):
- जब विमान पहली बार उड़ान भरता है (वीडियो जनरेशन की शुरुआत में), तो हवा बहुत अशांत होती है। उपकरण हिल रहे होते हैं।
- NaviCache कहता है: "आइए पहले कुछ सेकंड बिना कुछ छोड़े सामान्य रूप से उड़ें।" यह सिस्टम को यह समझने की अनुमति देता है कि वह कहाँ है और कितनी गति से चल रहा है। यह एक विश्वसनीय आधार रेखा (baseline) स्थापित करता है।
ड्यूल-स्टेट इंजन (पूर्वानुमान बनाम जांच):
- पूर्वानुमान (Momentum): एक बार जब सिस्टम कैलिब्रेट हो जाता है, तो यह भौतिकी (physics) का उपयोग करना शुरू कर देता है। यह जानता है कि विमान में मोमेंटम है। यह भविष्यवाणी करता है, "हमारी गति और दिशा के आधार पर, हमें अगले सेकंड में यहाँ होना चाहिए।" यह इस भविष्यवाणी पर भरोसा करता है ताकि भारी गणित को छोड़ा जा सके।
- अनिश्चितता की जांच (सुरक्षा द्वार): सिस्टम लगातार पूछता है, "मैं इस भविष्यवाणी के प्रति कितना आश्वस्त हूँ?"
  - यदि हवा शांत है (कम अनिश्चितता), तो यह मोमेंटम पर भरोसा करते हुए चरणों को छोड़ना जारी रखता है।
  - यदि हवा अशांत हो जाती है या भविष्यवाणी भटकने लगती है (उच्च अनिश्चितता), तो सिस्टम कहता है, "रुको, मुझे अब यकीन नहीं है!" यह चरणों को छोड़ना बंद कर देता है, एक "ग्राउंड ट्रुथ" रीडिंग प्राप्त करने के लिए पूर्ण गणितीय गणना करता है, और फिर अपने उपकरणों को पुन: कैलिब्रेट करता है।
परिणाम:
- इसे किसी पूर्व-निर्मित मानचित्र की आवश्यकता नहीं है (कोई ऑफलाइन कैलिब्रेशन नहीं)।
- यह केवल यह अनुमान नहीं लगाता कि अगला चरण पिछले जैसा ही है (यह मोमेंटम को ध्यान में रखता है)।
- यह रीयल-टाइम में अनुकूलित होता है। यदि वीडियो शांत है, तो यह अधिक चरणों को छोड़ देता है। यदि वीडियो अराजक है, तो यह धीमा हो जाता है और अपने काम की जांच करता है।

यह बेहतर क्यों है

पेपर ने तीन प्रमुख वीडियो AI मॉडल (HunyuanVideo, Wan, और Open-Sora) पर NaviCache का परीक्षण किया।

सटीकता (Accuracy): यह चरण छोड़ने का निर्णय लेते समय कम गलतियाँ करता है। इसे ठीक से पता होता है कि कब चरण छोड़ना सुरक्षित है और कब खतरनाक है।
गुणवत्ता (Quality): इसके द्वारा जेनरेट किए गए वीडियो अधिक स्पष्ट दिखते हैं और उनमें "अनुमान लगाने" वाले तरीकों की तुलना में कम अजीब गड़बड़ियाँ (जैसे हाथ का बदलना या वस्तुओं का गायब होना) होती हैं।
गति (Speed): यह पुराने तरीकों की तुलना में तेज़ है क्योंकि यह सुरक्षित होने पर अधिक चरणों को छोड़ देता है, लेकिन ऐसा करने के लिए यह गुणवत्ता से समझौता नहीं करता है।

सारांश

NaviCache वीडियो AI को एक स्मार्ट ऑटोपायलट देने जैसा है। अगले चरण का अंधाधुंध अनुमान लगाने या पुराने पड़ चुके मानचित्र पर भरोसा करने के बजाय, AI एक "नेविगेशन सिस्टम" का उपयोग करता है जो वीडियो के मोमेंटम को महसूस करता है। जब रास्ता साफ होता है तो यह तेज़ उड़ता है और जब रास्ता कठिन होता है तो यह अपने उपकरणों की जांच करने के लिए धीमा हो जाता है, जिसके परिणामस्वरूप बिना महंगे प्री-ट्रेनिंग के तेज़, उच्च-गुणवत्ता वाला वीडियो जनरेशन प्राप्त होता है।

तकनीकी सारांश: NaviCache

समस्या विवरण

वीडियो डिफ्यूजन मॉडल्स (VDMs), जैसे कि HunyuanVideo, Wan, और Open-Sora, उच्च-गुणवत्ता वाली सामग्री निर्माण में महत्वपूर्ण प्रगति कर चुके हैं। हालांकि, उनकी पुनरावृत्ति नमूनाकरण (iterative sampling) प्रक्रिया एक विशाल कम्प्यूटेशनल टैक्स लगाती है, जिसमें बड़े आर्किटेक्चर के माध्यम से दर्जनों फॉरवर्ड पास की आवश्यकता होती है, जो वास्तविक समय में तैनाती (real-time deployment) में बाधा डालती है।

मौजूदा त्वरण रणनीतियाँ दो श्रेणियों में आती हैं, जिनमें महत्वपूर्ण सीमाएँ हैं:

ऑफलाइन कैलिब्रेशन-निर्भर विधियाँ: TeaCache और MagCache जैसी दृष्टिकोण क्यूरेटेड कैलिब्रेशन डेटासेट से प्राप्त सांख्यिकीय पूर्वग्रहों (statistical priors) या बहुपद फिटिंग (polynomial fitting) पर निर्भर करती हैं। ये उच्च कैलिब्रेशन लागत, विशिष्ट डेटा वितरण पर निर्भरता, और कैलिब्रेशन एवं इन्फरेंस के बीच वितरण बदलाव (distribution shifts) के कारण प्रदर्शन गिरावट से ग्रस्त हैं।
ऑफलाइन कैलिब्रेशन-मुक्त विधियाँ: EasyCache जैसी विधियाँ कैलिब्रेशन डेटासेट की आवश्यकता को समाप्त करती हैं लेकिन तात्कालिक ज़ीरो-ऑर्डर सन्निकटन (Zero-Order Hold) पर निर्भर करती हैं। ये विधियाँ मानती हैं कि चरणों के बीच फीचर परिवर्तन अनुपात स्थिर रहता है, जो डिफ्यूजन प्रक्षेपवक्र (trajectory) के अंतर्निहित मोमेंटम (momentum) को पकड़ने में विफल रहती हैं। इसके परिणामस्वरूप अवलोकन संबंधी शोर (observational noise) के प्रति संवेदनशीलता और उच्च-अशांति वाले क्षेत्रों में महत्वपूर्ण त्रुटियां होती हैं, जिससे या तो दृश्य विरूपण (over-skipping) या अपर्याप्त त्वरण (under-skipping) होता है।

मुख्य चुनौती एक ऐसी विधि विकसित करने की है जो ऑफलाइन कैलिब्रेशन ओवरहेड से बच सके और डिफ्यूजन प्रक्रिया के दौरान फीचर विकास के नॉन-स्टेशनरी, मोमेंटम-संचालित डायनेमिक्स को सटीक रूप से मॉडल कर सके।

कार्यप्रणाली: NaviCache

लेखक NaviCache का प्रस्ताव करते हैं, जो एक प्लग-एंड-प्ले, टेस्ट-टाइम सेल्फ-कैलिब्रेशन फ्रेमवर्क है जो फीचर विकास को एक इनर्शियल नेविगेशन सिस्टम (INS) समस्या के रूप में पुनर्गठित करता है। पूर्ण परिवर्तन का अनुमान लगाने के बजाय, NaviCache इनपुट और आउटपुट विविधताओं के बीच सापेक्ष युग्मन (relative coupling) को एक स्टेट-स्पेस ट्रैकिंग समस्या के रूप में मॉडल करता है।

मुख्य घटक

स्टेट-स्पेस मॉडलिंग:
यह विधि फीचर परिवर्तन अनुपात ( $\phi_t = \Delta O_t / \Delta I_t$ ) को एक लीनियर गॉसियन स्टेट-स्पेस मॉडल (LGSSM) के भीतर एक हिडन स्टेट $r_t$ के रूप में तैयार करती है। यह इस अनुपात के रूप में एक स्थिर स्थिरांक मानने के बजाय, इसके अनिश्चितता और काइनेमैटिक जड़त्व (kinematic inertia) को स्पष्ट रूप से मॉडल करता है।
प्रारंभिक संरेखण चरण (Initial Alignment Phase):
यह पहचानते हुए कि शुरुआती स्टेप्स (उच्च शोर) में डिफ्यूजन प्रक्रियाएं अराजक, नॉन-स्टेशनरी डायनेमिक्स प्रदर्शित करती हैं, NaviCache एक रणनीतिक "प्रारंभिक संरेखण" चरण का उपयोग करता है। पहले $N_{align}$ स्टेप्स के लिए, बिना स्किप किए पूर्ण गणना की जाती है। यह सिस्टम को स्टेट मीन ( $\hat{r}_0$ ) और एरर कोवेरिएंस ( $P_0$ ) के लिए एक निष्पक्ष इनिशियलाइजेशन कंप्यूट करने की अनुमति देता है, जिससे यह सुनिश्चित होता है कि एस्टिमेटर एक कैलिब्रेटेड समझ के साथ "नेविगेशन मोड" में संलग्न हो।
डुअल-स्टेट एस्टिमेशन इंजन:
मुख्य डिफ्यूजन चरण के दौरान, NaviCache दो पर्याप्त सांख्यिकी (sufficient statistics) को ट्रैक करने के लिए एक रिकर्सिव बायेसियन फिल्टर का उपयोग करता है: स्टेट एस्टीमेट ( $\hat{r}_t$ ) और एस्टिमेशन अनिश्चितता ( $P_t$ )। इस प्रक्रिया में दो चरण शामिल हैं:
- प्रायर प्रोजेक्शन (Prior Projection): सिस्टम स्टेट और अनिश्चितता को आगे प्रोजेक्ट करता है, जिसमें फीचर अनुपात के आंतरिक ड्रिफ्ट या "मोमेंटम" को मॉडल करने के लिए प्रोसेस नॉइज़ ( $Q_t$ ) को शामिल किया जाता है।
- ऑब्जर्वेशनल रेक्टिफिकेशन (Observational Rectification): जब संचित त्रुटि एक सुरक्षा थ्रेशोल्ड से अधिक हो जाती है, तो एक फुल कंप्यूटेशन ट्रिगर किया जाता है ताकि ग्राउंड-ट्रुथ मेजरमेंट ( $z_t$ ) प्राप्त किया जा सके। इस मेजरमेंट को कैलिब्रेटेड फ्यूजन फैक्टर (CFF), $K_t$ का उपयोग करके प्रायर प्रेडिक्शन के साथ फ्यूज किया जाता है, जिसे पोस्टीरियर अनिश्चितता को कम करने के लिए व्युत्पन्न किया गया है। यह तंत्र एक इंटेलिजेंट गेटकीपर के रूप में कार्य करता है, जो स्थिर व्यवस्थाओं में ऐतिहासिक जड़त्व को प्राथमिकता देता है और अशांत व्यवस्थाओं में तुरंत नए अवलोकनों के साथ संरेखित होता है।
अनिश्चितता-जागरूक स्किपिंग मैकेनिज्म:
स्किप या अपडेट करने का निर्णय एक संचित त्रुटि मीट्रिक ( $E_{acc}$ ) द्वारा शासित होता है। यदि $E_{acc}$ , फिडेलिटी थ्रेशोल्ड ( $\tau$ ) से नीचे रहता है, तो सिस्टम गणना को स्किप कर देता है (डेड रेकनिंग)। यदि थ्रेशोल्ड टूट जाता है, तो सिस्टम एक फुल अपडेट (मेजरमेंट फिक्स) करता है, जो प्रक्षेपवक्र को फिर से स्थापित करता है और एरर एक्यूमुलेटर को रीसेट करता है।

प्रमुख योगदान

पेपर चार प्राथमिक योगदानों को रेखांकित करता है:

सैद्धांतिक पुनर्गठन (Theoretical Reformulation): लेखक डिफ्यूजन डायनेमिक्स और इनर्शियल नेविगेशन सिस्टम (INS) सिद्धांत के बीच पहला औपचारिक मानचित्रण स्थापित करते हैं, जो VDM फीचर इवोल्यूशन को स्टेट-स्पेस मॉडल के रूप में पुनर्गठित करता है।
NaviCache फ्रेमवर्क: वे एक ऑफलाइन कैलिब्रेशन-मुक्त फ्रेमवर्क का प्रस्ताव करते हैं जिसमें एक डुअल-स्टेट एस्टिमेशन इंजन और एक प्रारंभिक संरेखण चरण शामिल है, जो बिना किसी प्री-ट्रेनिंग या कैलिब्रेशन डेटासेट के फीचर मैनिफोल्ड को सटीक रूप से ट्रैक करता है।
सैद्धांतिक गारंटी: पेपर यह सैद्धांतिक प्रमाण प्रदान करता है कि यदि प्रोसेस और मेजरमेंट नॉइज़ मौजूद है, तो NaviCache मौजूदा कैलिब्रेशन-मुक्त विधियों द्वारा उपयोग किए जाने वाले ज़ीरो-ऑर्डर ह्यूरिस्टिक्स की तुलना में कम एस्टिमेशन एरर बाउंड प्राप्त करता है।
अनुभवजन्य प्रदर्शन (Empirical Performance): व्यापक प्रयोगों से पता चलता है कि NaviCache कई मॉडल्स (Wan, HunyuanVideo, Open-Sora) पर विजुअल फिडेलिटी और इन्फरेंस दक्षता दोनों में बेसलाइन्स से लगातार बेहतर प्रदर्शन करता है।

प्रयोगात्मक परिणाम

प्रयोग तीन प्रतिनिधि VDMs: Wan 2.1, HunyuanVideo, और Open-Sora 1.2 पर किए गए, जिनका मूल्यांकन VBench डेटासेट पर किया गया।

दक्षता बनाम गुणवत्ता ट्रेड-ऑफ: NaviCache तीन कॉन्फ़िगरेशन (फास्ट, मिड, स्लो) प्रदान करता है। तुलनीय लेटेंसी एनवेलप में, NaviCache ऑफलाइन कैलिब्रेशन-मुक्त विधियों जैसे EasyCache की तुलना में बेहतर विजुअल रिटेंशन प्रदर्शित करता है। उदाहरण के लिए, HunyuanVideo पर, "मिड" मोड ने 32.65 के PSNR के साथ 2.17× स्पीडअप प्राप्त किया, जो EasyCache के 2.15× स्पीडअप (PSNR 32.53) से बेहतर है।
कैलिब्रेशन-निर्भर विधियों के साथ तुलना: NaviCache ऑफलाइन कैलिब्रेशन विधियों की तुलना में उल्लेखनीय फिडेलिटी प्रदर्शित करता है। Wan 2.1 पर, "स्लो" मोड ने 25.10 का PSNR प्राप्त किया, जो TeaCache (22.79) और MagCache (23.33) से काफी अधिक है। हालांकि TeaCache कभी-कभी मामूली बढ़त बनाए रखता है (संभवतः प्रॉम्प्ट-विशिष्ट फिटिंग के कारण), NaviCache बेहतर पिक्सेल-लेवल और परसेप्चुअल रिकंस्ट्रक्शन (कम LPIPS, उच्च SSIM) प्रदान करता है।
विजुअल फिडेलिटी: केस स्टडीज से पता चलता है कि मौजूदा विधियाँ अक्सर टेम्पोरल इनकंसिस्टेंसी, घोस्टिंग और स्ट्रक्चरल डिस्टॉर्शन (जैसे विकृत हाथ या वस्तुएं) से ग्रस्त होती हैं। NaviCache इन मुद्दों को प्रभावी ढंग से कम करता है, तीव्र गति के दौरान भी स्ट्रक्चरल इंटीग्रिटी और हाई-फ्रीक्वेंसी डिटेल्स को बनाए रखता है।
एब्लेशन स्टडीज (Ablation Studies):
- इनिशियल अलाइनमेंट: अलाइनमेंट स्टेप्स बढ़ाने से फिडेलिटी में सुधार होता है लेकिन लेटेंसी भी बढ़ती है; 20% का अनुपात एक इष्टतम संतुलन पाया गया।
- नॉइज़ पैरामीटर्स: कम प्रोसेस नॉइज़ ( $Q$ ) लेटेंसी की कीमत पर फिडेलिटी में सुधार करता है, जबकि कम मेजरमेंट नॉइज़ ( $R$ ) लेटेंसी को कम करता है लेकिन विजुअल रिटेंशन का जोखिम बढ़ाता है।
- स्केलेबिलिटी: विधि विभिन्न रिज़ॉल्यूशन (480p/720p) और फ्रेम काउंट (51/102) के across स्थिर त्वरण (1.81×–1.91×) बनाए रखती है।
ओवरहेड: NaviCache के लिए शून्य ऑफलाइन कैलिब्रेशन समय की आवश्यकता होती है। स्किपिंग जस्टिफिकेशन के लिए टेस्ट-टाइम कम्प्यूटेशनल ओवरहेड नगण्य है (लगभग 0.0109s)।

महत्व और दावे

पेपर का दावा है कि NaviCache कंट्रोल थ्योरी और वीडियो जनरेशन के बीच मौलिक डोमेन गैप को पाटता है। फीचर इवोल्यूशन को रैंडम जिटर के बजाय अंडरलाइंग मोमेंटम वाले एक स्ट्रक्चर्ड प्रक्षेपवक्र के रूप में मॉडल करके, NaviCache प्लग-एंड-प्ले टेस्ट-टाइम सेल्फ-कैलिब्रेशन को सक्षम बनाता है।

लेखक का तर्क है कि यह दृष्टिकोण ऑफलाइन विधियों की अत्यधिक कैलिब्रेशन लागत और वितरण बदलाव की कमजोरियों को समाप्त करता है, साथ ही ज़ीरो-ऑर्डर सन्निकटन की सटीकता सीमाओं को भी पार करता है। एरर-बाउंडेड कंप्यूटेशन स्किपिंग पर सैद्धांतिक रूप से आधारित, NaviCache को बड़े पैमाने के जनरेटिव मॉडल्स के कुशल परिनियोजन के लिए एक सिद्धांत-आधारित समाधान के रूप में प्रस्तुत किया गया है, जो वास्तविक समय में वीडियो सिंथेसिस के लिए कम्प्यूटेशनल और ऊर्जा बाधाओं को काफी कम करके "ग्रीन AI" के लक्ष्य में योगदान देता है।