🤖 machine learning

MotionCFG: Boosting Motion Dynamics via Stochastic Concept Perturbation

この論文は、明示的な負の指示による意味的バイアスを回避しつつ、概念埋め込みへのノイズ注入によって動的な運動を強化し、物体の整合性を保ったまま高品質なテキストから動画への生成を実現する「MotionCFG」というフレームワークを提案しています。

原著者： Byungjun Kim, Soobin Um, Jong Chul Ye

公開日 2026-03-17

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Byungjun Kim, Soobin Um, Jong Chul Ye

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

🎬 問題：AI は「静止画」を作ってしまう癖がある

まず、今の AI（テキストから動画を作る技術）には大きな弱点があります。
「猫がフェンスを飛び越える」と指示しても、AI は「フェンスの前の猫」は描けても、「飛び越える瞬間の躍動感」が薄く、まるで**「静止した写真が少し揺れているだけ」**のような、動きの乏しい動画を作ってしまうことが多いのです。

なぜかと言うと、AI が学習した動画データの中に「動きの少ないシーン」が多いため、AI は「何もしない（静止している）」方が安全だと学習してしまっているからです。

🛑 従来の方法：「動かないで」と命令しても逆効果

これまでの対策は、「動かない」「ボヤけている」という言葉を「ネガティブプロンプト（悪い例）」として入力するというものでした。
例えば、「猫が飛ぶ」の代わりに「猫が動かないで」という命令を AI に与えるのです。

しかし、これには大きな副作用がありました。
「動かないで」と強く命令すると、AI は「猫そのもの」の形まで崩してしまったり、色が変に濃くなったりするのです。
これを論文では**「コンテンツと動きのズレ（Content-Motion Drift）」**と呼んでいます。

例え話：
料理人に「塩を入れすぎないで」と強く注意しすぎたら、料理人は「塩は入れないから」と言って、野菜そのものを捨ててしまったようなものです。味（動き）を調整しようとして、食材（物体の形）まで壊してしまいました。

✨ 解決策：MotionCFG（モーションCFG）

そこで登場するのが、この論文で提案された**「MotionCFG」です。
これは、ネガティブな言葉を直接入力するのではなく、「動きに関する言葉に、あえて『ノイズ（雑音）』を混ぜる」**という画期的な方法です。

🌪️ 具体的な仕組み：3 つのポイント

「動き」の言葉だけを狙い撃ちする
プロンプト（指示文）の中から「走る」「跳ぶ」「飛ぶ」といった**「動きを表す言葉」**だけを AI が見つけ出します。

例え話：
料理人が「塩」だけを狙って、その塩の袋に**「少しだけ砂」**を混ぜるようなものです。他の野菜（物体の形）には触れません。
「動きの悪いパターン」を比較対象にする
AI は、混ぜられた「ノイズ入りの動きの言葉」と、元の「きれいな動きの言葉」を比較します。
「あ、このノイズ入りの動きはボヤけていて不自然だ。だから、**その逆（はっきりとした動き）**を作ろう！」と、AI が自ら学習して動きを鋭くします。

例え話：
料理人が「砂混じりの塩（悪い例）」を見て、「いや、これじゃまずい。だから純粋でピリッとした塩味を出そう！」と決意して、料理の味を調整するイメージです。
タイミングを調整する（パズルのように）
動画を作る過程は、最初は「全体の動きの骨組み」を決め、後半は「細部や質感」を詰めていく作業です。
MotionCFG は、「動きの骨組みを決める最初の段階」だけでこの「ノイズ比較」を行い、後半は普通の方法に戻します。

例え話：
家を建てる際、**「柱を立てる最初の工事」**だけ職人さんに「強風（ノイズ）」を想定して頑丈な設計をさせ、その後は「内装（細部）」を丁寧に仕上げるように指示する感じです。最初だけ強く指導すれば、家は崩れずに立派に仕上がります。

🎁 この方法のすごいところ

形は崩さない： 「動かないで」と命令するのではなく、「動きのノイズ」を比較するだけなので、猫の形や色は綺麗に保たれます。
動きが激しくなる： 猫がジャンプする瞬間の空気感や、馬が走る勢いが、まるで映画のようにリアルになります。
応用が効く： この「特定の言葉にノイズを混ぜて比較する」というアイデアは、動きだけでなく**「物の数」**を正確に指定する（「3 頭の馬」など）のにも使えました。AI は数字の指定が苦手ですが、この方法なら正確に数えることができるようになります。

🏁 まとめ

この論文は、**「AI に『動かないで』と命令するのではなく、『動きの悪い例』を AI 自身に比較させて、自然に動きを良くさせる」**という、とても賢く、かつ簡単な方法を見つけ出しました。

まるで、**「生徒に『間違えるな』と怒鳴るのではなく、『よくある間違い』を見せながら『正解』を導き出す」**ような、しつけの達人のようなアプローチです。これにより、これからの AI 動画は、より生き生きと、意図した通りに動くようになるでしょう。

MotionCFG: 確率的概念摂動による運動ダイナミクスの強化

技術的サマリー（日本語）

本論文は、テキストから動画（Text-to-Video: T2V）生成において、既存の手法が抱える「運動の弱さ」と「コンテンツの歪み」という課題を解決する新しいフレームワークMotionCFGを提案しています。

1. 背景と課題 (Problem)

近年の拡散モデルを用いた T2V 生成は飛躍的な進歩を遂げましたが、高忠実度かつダイナミックな運動を生成することには依然として課題があります。

既存手法の限界: 現在の主流である Classifier-Free Guidance (CFG) は、無条件埋め込み（null embedding）からの外挿によってテキストとの整合性を強化しますが、運動軸における曖昧さを解決するメカニズムを持っていません。トレーニングデータに静的なシーンが多い場合、CFG はその支配的な静的モードを強化してしまい、動的なプロンプト（例：「フェンスを飛び越える猫」）に対しても静止画に近い出力を生み出す傾向があります。
明示的ネガティブプロンプトの問題: 運動を改善するために「静止（static）」や「ぼやけ（blurry）」などの明示的なネガティブプロンプトを使用する試みがありますが、これらは意図しない意味論的バイアスを導入し、オブジェクトの構造的一貫性を損なう**「コンテンツ - 運動ドリフト（Content-Motion Drift）」**を引き起こします。

2. 提案手法：MotionCFG (Methodology)

MotionCFG は、トレーニング不要（training-free）かつゼロショットで、運動ダイナミクスを強化するためのフレームワークです。その核心は、**「ノイズ摂動を受けた概念の対比」**にあります。

運動関連トークンの特定: 入力プロンプトから、運動を表す単語（動詞など）を特定します（LLM による自動抽出または手動指定）。
確率的概念摂動（Stochastic Concept Perturbation）:
- 運動に関連するトークンの埋め込みベクトルにのみ、ガウスノイズを注入します。
- これにより、ターゲット概念の「局所的なネガティブアンカー（劣化した運動バリエーションの集合）」を構築します。
ガイダンスの計算:
- 従来の CFG が「無条件」から「条件付き」へ外挿するのに対し、MotionCFG は「ノイズ摂動を受けた条件（ $c_{pert}$ ）」から「元の条件（ $c$ ）」へ向かう勾配を計算します。
- 数式的には、摂動された埋め込みからの反発（repulsion）を促すことで、運動の曖昧さを排除し、運動に関する詳細を鋭くします。
- 式 (3): $\tilde{\epsilon}_\theta = \epsilon_\theta(z_t, c) + \omega (\epsilon_\theta(z_t, c) - \epsilon_\theta(z_t, c_{pert,t}))$
区分的ガイダンススケジューリング（Piecewise Guidance Scheduling）:
- 動画生成の初期ステップ（全体的な運動レイアウトが決定される段階）でのみ MotionCFG を適用し、後続のステップでは標準的な CFG に戻します。
- これにより、運動の軌跡を確立しつつ、後段での高周波な空間詳細の破損を防ぎ、視覚的品質を維持します。

3. 主要な貢献 (Key Contributions)

コンテンツ - 運動ドリフトの回避: 明示的なネガティブプロンプトを使用せず、運動 manifold 上のみに摂動を局在化させることで、オブジェクトの形状や意味を歪めずに運動のみを強化します。
暗黙的なハードネガティブマイニング: 清潔な埋め込みと劣化したノイズ版を対比させることで、手動のプロンプトエンジニアリングなしに、微細な時間的詳細の洗練を可能にします。
汎用性の証明: この「ノイズ誘起の対比メカニズム」は運動だけでなく、通常テキストガイダンスでは制御が難しい「正確な物体数（数）」などの非線形概念の制御にも有効であることを実証しました。
計算コストの低さ: 追加のトレーニングやモデル構造の変更を必要とせず、既存の T2V モデル（Wan2.1, CogVideoX など）に容易に統合可能です。

4. 実験結果 (Results)

Wan2.1 (1.3B, 14B) および CogVideoX-5B などの最先端モデルを用いた評価において、以下の結果が得られました。

定量的評価:
- 運動ダイナミクス指標（FLOW, DINO Segm., DEVIL Score）において、ベースライン（ネガティブプロンプト付き CFG）や既存の手法（CADS, Interval Guidance）を大幅に上回りました。
- 特に Wan2.1-14B において、ベースラインの FLOW スコア（2.95）を 2 倍以上（6.06）に向上させながら、テキスト - 動画整合性（X-CLIP）の低下は最小限に抑えました。
定性的評価:
- 建物の崩壊や馬の駈け足など、物理的に妥当で力強い運動軌跡を生成し、オブジェクトの一貫性を維持しました。
- 既存手法で見られる過剰な彩度や、対象の形態変化（morphing）などのアーティファクトを回避しました。
物体数制御:
- 「3 頭の馬」などのプロンプトにおいて、MotionCFG は他の手法が誤って追加の馬を生成する（ハルシネーション）のに対し、正確な数（3 頭）を維持する能力を示しました。

5. 意義と結論 (Significance)

MotionCFG は、拡散モデルにおける「運動制御」という長年の課題に対して、新しい視点（確率的摂動による対比学習）を提供します。

理論的意義: 運動の曖昧さを解決するために、単なるテキストの否定ではなく、埋め込み空間における「劣化バリエーション」からの反発を利用する理論的枠組みを確立しました。
実用的意義: 計算コストをほとんど増やすことなく、既存の T2V モデルの性能を即座に向上させることができるため、高忠実度で制御可能な動画生成の実用化に寄与します。
将来展望: この手法は運動に限らず、色、数、形状など、標準的な CFG では制御が困難な多様な意味論的属性の制御に応用可能な汎用的なフレームワークである可能性を示唆しています。

要約すると、MotionCFG は「ノイズを注入して劣化させた概念と対比させる」ことで、運動のダイナミクスを鋭くし、かつコンテンツの質を損なわない、効率的かつ強力なガイダンス手法です。