以下は、提示された論文「Grounded Forcing: Bridging Time-Independent Semantics and Proximal Dynamics in Autoregressive Video Synthesis」の技術的な要約です。

Grounded Forcing の技術的概要

1. 背景と課題 (Problem)

自己回帰（Autoregressive: AR）型ビデオ合成は、無限の時間軸を持つビデオ生成やリアルタイムなストリーミング生成を実現する有望なアプローチですが、長尺生成においては以下の 3 つの相互に関連する課題に直面しています。

1. 意味の忘却 (Semantic Forgetting): コンテキストウィンドウの制限により、生成が進むにつれて初期の文脈（登場人物のアイデンティティや背景）が失われ、意味的な一貫性が崩壊する問題。既存の「最初のフレームへの固定」アプローチは、動的なプロンプト変更や新しい意味の導入を妨げます。
2. 視覚的ドリフト (Visual Drift): 位置エンコーディング（RoPE）が絶対的な時間インデックスに依存しているため、トレーニング範囲を超えた時間軸（OOD: Out-of-Distribution）で生成を行うと、位置情報がモデルの学習分布から外れ、画質の劣化やモーションの不安定化を招く問題。
3. 制御性の低下 (Controllability Loss): 対話的なプロンプト切り替え時、既存の KV キャッシュ更新手法（均一なリフレッシュなど）が、新しい指示への即応性と過去の文脈の維持のバランスを欠き、意味的なショック（急激な外見変化）や指示の無視を引き起こす問題。

2. 提案手法：Grounded Forcing (Methodology)

これらの課題を解決するため、著者は「Grounded Forcing」と呼ばれる新しいフレームワークを提案しました。これは、時間不変的な意味（Time-Independent Semantics）と近接的なダイナミクス（Proximal Dynamics）を橋渡しする 3 つの相互に作用するメカニズムで構成されています。

2.1 ダブルメモリ KV キャッシュ (Dual Memory KV Cache)

課題解決: 意味の忘却
仕組み:
KV キャッシュを 2 つの異なるコンポーネントに分割して管理します。

• ローカル・タイムラル・メモリ (LTM): 高頻度の動きや近接的なダイナミクスを捉えるための標準的なスライディングウィンドウ。新しいフレームが入ると古いフレームが排除されます。
• グローバル・コンシステンシー・メモリ (GCM): 動画のアイデンティティや意味的な核心を保持するためのスパースなキーフレームの集合。スライディングウィンドウによる排除から保護されます。
• ダイバーシティ感知更新戦略: GCM は静的ではなく、新しいプロンプトや意味的な変化に応じて動的に更新されます。新しいフレームの意味的な新規性（既存のアンカーとの類似度が低い場合）と、既存のアンカーの冗長性（他のアンカーとの類似度が高い場合）を計算し、冗長なアンカーを新しい意味的な状態を持つフレームで置換します。これにより、長期的なアイデンティティを維持しつつ、新しい意味（例：キャラクターの変化）を取り込むことが可能になります。

2.2 ダブルリファレンス RoPE インジェクション (Dual-Reference RoPE Injection)

課題解決: 視覚的ドリフト
仕組み:
位置エンコーディング（RoPE）の適用方法を工夫し、トレーニング分布内での動作を保証します。

• GCM 用（時間不変）: GCM に格納されるキーには、固定された時間インデックス（例：$t=0$）を RoPE 適用時に与えます。これにより、GCM は「時間的な瞬間」ではなく「時間不変の意味的アンカー」として機能し、生成時間が延びてもアイデンティティがドリフトしません。
• LTM 用（相対的）: LTM のキーには、現在のスライディングウィンドウ内での相対的な時間インデックス（例：$[0, 21]$）を適用します。これにより、位置エンコーディングが常にモデルの学習分布内（トレーニング時に見た範囲）に収まり、無限の時間軸でも視覚的な安定性が保たれます。

2.3 非対称近接再キャッシュ (Asymmetric Proximity Recache: APR)

課題解決: 制御性の低下
仕組み:
プロンプトが切り替わった際、KV キャッシュを均一に更新するのではなく、時間的な近接性に基づいた重み付けで非対称に更新します。

• 重み付け補間: 現在の生成ステップに近いフレーム（直近のコンテキスト）には、新しいプロンプトへの適合度を高める大きな重み（$\alpha$）を適用します。一方、遠いフレーム（過去の文脈）には、元の意味（アイデンティティなど）を保持する小さな重みを適用します。
• 効果: これにより、新しい指示（例：「走る」）への即応性を確保しつつ、遠い過去の意味（例：「誰が」）を維持し、急激な視覚的変化や意味の断絶を防ぎます。

3. 主要な貢献 (Key Contributions)

1. 構造的な分離: 長尺 AR ビデオ生成における「静的な意味」と「動的な運動」の絡み合いを特定し、これを構造的に分離する「Grounded Forcing」フレームワークを提案。
2. ダブルメモリ KV キャッシュ: 意味的一貫性を GCM で、動きを LTM で捉えることで、意味の劣化を根本的に抑制。
3. 位置安定性と柔軟な制御: DR-RoPE による位置ドリフトの防止と、APR によるシームレスなプロンプト切り替えの実現。
4. 実証: 広範な実験により、長尺生成における最先端（SOTA）レベルの意味的一貫性とアイデンティティ安定性を達成し、かつリアルタイム性能を維持することを示した。

4. 実験結果 (Results)

• 定量的評価: 240 秒のビデオ生成タスクにおいて、LongLive、Rolling Forcing、Infinity-RoPE などの既存手法と比較しました。
  • 被写体の一貫性 (Subject Consistency): 0.9163（最良）。
  • 背景の一貫性 (Background Consistency): 0.9265（最良）。
  • 動的度（Dynamic Degree）も 0.60 と、LongLive と同等の動きの豊かさを維持しつつ、安定性が大幅に向上しました。
• 定性的評価:
  • マルチショット生成（例：男 → ハルク → シルバー・ワイバーン）において、アイデンティティの維持と新しい意味の導入に成功。
  • 既存手法（Infinity-RoPE など）で見られたアイデンティティのドリフトや、最初のフレームへの固着を解消。
• アブレーション研究: 各コンポーネント（Dual Mem, DR-RoPE, APR）を除去した実験により、それぞれが画質、一貫性、フリッカー抑制に不可欠であることが確認されました。
• ユーザー調査: 5 段階リッカート尺度による評価で、被写体の一貫性、背景の一貫性、テキストへの追従性において、すべてのカテゴリで最上位のスコアを獲得しました。

5. 意義と展望 (Significance)

Grounded Forcing は、自己回帰型モデルを「無限の時間軸」に対応可能な堅牢な生成エンジンへと進化させる重要な一歩です。特に、「意味の忘却」と「視覚的ドリフト」という長年の課題を、メモリ管理と位置エンコーディングの構造改革によって同時に解決した点に大きな意義があります。

この手法は、没入型のワールドシミュレーターや、ユーザーの指示に柔軟に応答するインタラクティブな長編ビデオ生成の実現に向けた基盤技術として、将来的な研究開発の道筋を示唆しています。