以下は、提示された論文「DCDM: Divide-and-Conquer Diffusion Models for Consistency-Preserving Video Generation」の技術的な要約です。

論文要約：DCDM (Divide-and-Conquer Diffusion Models)

1. 背景と課題 (Problem)

近年の動画生成モデルは視覚的な忠実度や短期的な時間的整合性を大幅に向上させましたが、**「一貫性（Consistency）」**の維持においては依然として重大な課題を抱えています。具体的には、以下の 3 つの異なる次元における一貫性の欠如が問題視されています。

1. クリップ内での世界知識の一貫性 (Intra-clip world knowledge consistency): 1 つのクリップ内で、物体、属性、物理的相互作用が意味論的・物理的に矛盾なく整合していること。
2. クリップ間でのカメラの一貫性 (Inter-clip camera consistency): 複数のクリップ間でのカメラ運動や視点遷移が、時間的・幾何学的に正確かつ安定して制御されていること。
3. ショット間での要素の一貫性 (Inter-shot element consistency): 複数のショットにわたる長編ナラティブにおいて、キャラクター、シーン、スタイルの同一性や属性が維持されていること。

これら 3 つの課題は、それぞれ異なるモデリング要件（意味論的推論、幾何学的制御、長期的な記憶など）を必要とするため、単一のモノリシックな拡散モデルで全てを同時に解決しようとすると、表現の絡み合い（entanglement）や制御性・効率性のトレードオフが発生し、既存手法は特定の次元では優れていても他を犠牲にする傾向がありました。

2. 提案手法：DCDM (Methodology)

著者らは、これらの課題を解決するために**「分かつと征服する（Divide-and-Conquer）」アプローチを採用したシステムレベルのフレームワーク「DCDM」**を提案しました。このフレームワークは、共通の動画拡散バックボーン（Diffusion Transformer: DiT）を共有しつつ、3 つの一貫性次元それぞれに対して専用モジュールを設計することで、課題を分解して解決します。

3.1 クリップ内での世界知識の一貫性 (Intra-clip)

• 課題: ユーザーのプロンプトが不十分で、文脈や物理法則に関する情報が暗黙的であるため、モデルが矛盾した生成を行う。
• 解決策: LLM ベースのプロンプト拡張（Prompt Extension）。
  • 入力プロンプトを大規模言語モデル（LLM、例：Qwen3）に渡す。
  • LLM に、シーンや動作の詳細な推論を求め、暗黙的な情報を明示的な記述（エンティティ、属性、空間関係、妥当な動作）に変換させる。
  • この洗練されたプロンプトをテキスト条件として DiT に入力し、意味論的推論を可視生成から分離することで、クリップ内の整合性を向上させる。

3.2 クリップ間でのカメラの一貫性 (Inter-clip)

• 課題: テキストのみでのカメラ制御は不安定であり、幾何学的な運動を正確に再現するのが困難。
• 解決策: ノイズ空間における時間的カメラ表現と初期化。
  • カメラ分類: LLM を用いてプロンプトからカメラ運動（上下左右、ズーム、静止など）を分類し、対応するカメラテンプレート（時間的運動パターン）を決定する。
  • ノイズ空間での表現構築: 標準的なガウスノイズを、カメラの内部・外部パラメータに基づいて再投影（warping）操作を行い、時間的に整合したノイズ構造を生成する。これを拡散プロセスの初期ノイズとして注入する。
  • テキスト・イメージ初期化: 参考画像（Text-to-Image モデルで生成）とカメラ表現の両方を条件として用いることで、外観の曖昧さを減らし、カメラ運動の制御精度と安定性を高める。

3.3 ショット間での要素の一貫性 (Inter-shot)

• 課題: 長編ナラティブにおけるキャラクターやスタイルの維持。全フレーム間の密なアテンションは計算コストが膨大になる。
• 解決策: 疎なショット間自己アテンション（Sparse Inter-shot Self-Attention）。
  • ウィンドウ型クロスアテンション: 特定のプロンプトを特定のショットに局所化させる。
  • 疎なショット間自己アテンション:
    • 各ショット内では密な双方向自己アテンションを行い、局所的な整合性を保つ。
    • ショット間では、各ショットから代表トークン（例：最初のフレーム）を選択し、グローバルなコンテキスト要約（Global Cache）を作成する。
    • 現在のショットのクエリは、ローカルキーとグローバル要約キーの両方にアテンションする。
  • 効果: 計算量を $O((N_s L_{shot})^2)$ から $O(N_s \cdot L_{shot} \cdot S)$ （$S$ は要約トークン数）に削減しつつ、長期的なナラティブ整合性とキャラクターの記憶を維持する。

3. 主要な貢献 (Key Contributions)

1. DCDM フレームワークの提案: 動画生成の一貫性を「クリップ内知識」「クリップ間カメラ」「ショット間要素」の 3 つの補完的な次元に分解し、それぞれに特化したモジュールを統合した統一システム。
2. 意味論的整合性の向上: LLM によるプロンプト拡張メカニズムにより、クリップ内の意味論的・物理的な矛盾を削減。
3. 精密なカメラ制御: ノイズ空間に時間構造を持つカメラ表現を導入し、拡散モデルにおける安定かつ精密なカメラ運動制御を実現。
4. 効率的な長距離整合性: 疎なショット間自己アテンションにより、計算効率を維持しつつ、分単位の長編動画におけるナラティブの整合性とキャラクターの同一性を保証。

4. 結果と評価 (Results)

• 評価ベンチマーク: AAAI'26 CVM Competition（Consistency in Video Generative Models）のテストセットで検証されました。
• 定性評価: 図 2 に示されるように、3 つの異なるシナリオ（世界知識、カメラ制御、ショット間一貫性）において、時間的整合性が高く、連続性のある高品質な動画生成が実現されています。
  • 物理的に不自然な相互作用の減少。
  • 意図したカメラ運動（パン、ズームなど）の正確な実行。
  • 複数のショットにわたるキャラクターやスタイルの維持。
• 結論: 提案された戦略は、これらの課題を効果的に解決し、システムレベルのモデリングが信頼性の高い制御可能な動画合成に有効であることを実証しました。

5. 意義と展望 (Significance)

DCDM は、動画生成における「一貫性」という複雑な問題を、単一のモデルに全てを詰め込むのではなく、**「分かつと征服する（Divide-and-Conquer）」**戦略で構造的に解決した点に大きな意義があります。

• 実用性: 長編動画生成や映画のようなナラティブ構造を持つコンテンツの作成において、キャラクターの同一性やカメラワークの制御を可能にします。
• 効率性: 疎なアテンション機構の導入により、計算リソースを節約しつつ長距離依存関係をモデル化しています。
• 将来性: 意味論的推論（LLM）、幾何学的制御（カメラノイズ）、長期的記憶（疎アテンション）を統合したこのアプローチは、次世代の動画生成モデルのアーキテクチャ設計の指針となる可能性があります。

この研究は、Fudan University と Tencent の共同チーム「Cinematrix」によって行われ、AAAI'26 CVM コンペティションでトップチームとして表彰されました。