ByteDanceが「DMAD」公開：動画生成をわずか4ステップに短縮

AI動画生成を試したことがある人なら、生成完了までの長い待ち時間を経験したことがあるはずだ。プロンプトを入力してから20〜30ステップ、場合によっては50ステップものノイズ除去を重ねる必要があり、数秒の動画を得るためだけに数分間待たされるのが当たり前だった。

ByteDanceが発表した「DMAD」（Distribution Matching as Adversarial Distillation：分布マッチングによる対抗蒸留）は、そのボトルネックを解消する手法だ。狙いは明快で、動画生成の推論プロセスをわずか4ステップに短縮する。

1つのバックボーンと2つの判別ヘッド

拡散モデルはノイズから徐々に鮮明な画像を復元していくため、多くのステップ数を必要とする。これを無理に数ステップに削ると、輪郭がぼやけたりディテールが崩れたりしやすい。

DMADでは、元の大規模モデルを「教師（Teacher）」、4ステップで生成を行うモデルを「生徒（Student）」とする教師生徒型の学習を採用した。学生モデルが生成したサンプルと教師モデルの出力、そして実データをノイズ処理した上で判別器に入力する仕組みだ。

巧みなのは判別器の設計にある。1つの共有バックボーン上に2つの判別ヘッドを配置し、両者のギャップから算出した重みを用いて学生モデルを更新する。これにより、余分なネットワークを追加することなく、実データの分布を高精度に学習させることができる。

1.4GBのLoRAで手元でも試せる

DMADは特定のモデルだけに特化した手法ではない。MiniMax-H3はもちろん、Wan2.1やSDXL、EDMといった画像・動画モデルにも適用可能とされている。

MiniMax-H3-33Bを用いた4ステップの作例では、羽毛のドレスをまとった人物が水辺を歩くシーンや、ストップモーション風の折り紙のドラゴンが山を飛び越える映像、さらには音声付きの会話シーンまで、破綻の少ない滑らかな描写が確認できる。

開発者向けの導入ハードルも低い。コードとローカル実行の手順が公開されており、ベースとなるモデルを用意すれば、DMADのLoRAファイル自体は約1.4GB程度で済む。

なぜ重要か

AI動画生成の実用化における最大の壁は、画質そのものよりも推論コストと待ち時間にある。数秒のプレビューを出すのに数分かかる状態では、リアルタイムな編集やインタラクティブな用途には使えない。生成ステップを8割以上削る技術は、日常的なツールへと動画AIを引き下ろす鍵となる。

クリエイターや個人開発者にとっても恩恵は大きい。33Bクラスの大規模モデルであっても、わずか1.4GBの軽量なLoRAを追加するだけで4ステップ生成が可能になるため、試行錯誤にかかるGPUコストと時間を大幅に圧縮できる。

業界全体で見れば、拡散モデルの蒸留は単なる実験室の試行錯誤から、実用的なフレームワークへと進化しつつある。共有バックボーンを用いたスマートな対抗蒸留が動画や静止画を問わず機能することを示した今回の成果は、今後の動画モデル開発における効率化競争を一歩前進させたと評価できる。