LoGo: Local-Global Rewards for Consistent Long-Horizon Video Generation

Nie udało się dodać produktów

Nie możemy dodać tego artykułu, ponieważ Twój koszyk jest już pełny.

Nie udało się dodać tytułu do koszyka.

Spróbuj ponownie później

Nie udało się dodać tytułu do schowka.

Spróbuj ponownie później

„Usuń ze schowka“ nie powiodło się.

Spróbuj ponownie później

„Obserwuj podcast“ nie powiodło się

„Przestań obserwować podcast“ nie powiodło się

LoGo: Local-Global Rewards for Consistent Long-Horizon Video Generation

Słuchaj bezpłatnie, bez subskrypcji

Zobacz szczegóły

Saisonale Sparangebote | 0,99 € pro Monat für die ersten 3 Monate

Danach 6,99 €/Monat. Bedingungen gelten. Monatlich kündbar.

Camera-controlled video models struggle with 3D inconsistency over long horizons: objects vanish or scene structure shifts as the camera moves. Post-training with a single scalar reward gives poor credit assignment for these local errors. LoGo blends global rewards, which preserve camera following and video quality, with spatially localized rewards that give fine-grained feedback. Tested on three base models, DL3DV, and the new TrajectoryBench for long, complex camera paths, it reduces object shifts, artifacts, and scene changes. Authors: Ziqi Ma, Shreya Sharma, Mohamed El Banani, Katja Schwarz, Chongjie Ye, Chao-Yuan Wu, Li Fei-Fei, Ben Mildenhall, Georgia Gkioxari, Justin Johnson, Gowthami Somepalli Paper: https://arxiv.org/abs/2610.03636v1

Brak recenzji