장편 영상 생성

A²RD는 장편 영상에서 발생하는 의미 드리프트와 서사 붕괴를 줄이기 위해, 생성과 일관성 보정을 분리한 training-free 에이전틱 auto-regressive diffusion 구조다. 세그먼트 단위로 생성하고 스스로 개선하는 Retrieve–Synthesize–Refine–Update 루프가 핵심이다.

핵심 구성은 세 가지다.

• Multimodal Video Memory는 텍스트 상태, 경계 프레임, 전체 세그먼트를 함께 저장해 인물·환경·카메라 흐름을 추적한다.
• Adaptive Segment Generation은 자연스러운 진행이 필요하면 extrapolation, 시작과 끝의 일관성이 중요하면 interpolation을 선택한다.
• **Hierarchical Test-Time Self-Improvement (HITS)**는 경계 프레임부터 전체 세그먼트까지 단계적으로 보정해 오류 전파를 줄인다.

동작은 먼저 서사를 분석해 엔티티와 환경을 파악하고, 의존 그래프를 구축한 뒤 전역 레퍼런스 프레임을 만드는 memory initialization으로 시작한다. 이후 각 세그먼트마다 메모리에서 맥락을 검색하고, 생성 모드를 고른 뒤 경계 프레임과 영상을 합성하고 HITS로 개선한 다음 메모리를 갱신한다.

함께 제안한 LVBench-C는 3분·5분·10분 규모의 다중 장면 이야기로, 등장인물과 환경이 나타났다 사라지고 다시 등장하는 비선형 전환을 넣은 벤치마크다. 저자들은 공개 벤치마크와 LVBench-C의 1~10분 영상에서 A²RD가 기존 방법보다 일관성은 최대 30%, 서사적 응집성은 최대 20% 높였다고 보고한다.