MoFu：スケール認識ビデオ生成

この論文は、マルチ被写体ビデオ生成における重要な問題点、すなわちスケールの一貫性と順列感度に対処しています。提案されたMoFuフレームワークは、Scale-Aware Modulation (SMO)とFourier Fusion戦略により、被写体の忠実度と視覚的品質を向上させる新しいアプローチを提供します。評価のための専用ベンチマークの導入も重要です。

• •マルチ被写体ビデオ生成におけるスケールの一貫性と順列感度に対処。
• •スケールの一貫性のためにScale-Aware Modulation (SMO)を提案。
• •順列不変性のためにFourier Fusionを採用。
• •Scale-Permutation Stability Lossを導入。
• •評価のための専用ベンチマークを確立。