论文页面 - OPSD-V：面向后训练少步自回归视频生成器的在线策略自蒸馏

来源：https://huggingface.co/papers/2607.08766

摘要

OPSD-V 通过使用真实长视频数据作为训练期间的时序上下文，为少步自回归视频扩散模型提供密集轨迹级监督，从而提升视觉质量和运动动态，且无需改变推理机制。

我们提出 OPSD-V，一种面向后训练少步自回归（AR）视频扩散模型的在线策略自蒸馏（https://huggingface.co/papers?q=on-policy%20self-distillation）范式。现有少步 AR 视频生成器能够以低延迟生成长视频，但在长时间自回归滚动过程中仍会遭受误差累积（https://huggingface.co/papers?q=error%20accumulation）和运动动态（https://huggingface.co/papers?q=motion%20dynamics）减弱的问题。OPSD-V 在保留原始少步推理路径的同时，减少了长程退化。其关键思想是引入真实长视频数据作为训练期间的时序上下文（https://huggingface.co/papers?q=temporal%20context），并利用其提供密集轨迹级监督（https://huggingface.co/papers?q=dense%20trajectory-level%20supervision）。具体而言，学生模型遵循确切的推理时滚动过程，在每一步生成每个片段时以其自身先前生成的 KV 缓存为条件。与此同时，教师模型在学生模型访问的相同降噪状态（https://huggingface.co/papers?q=denoising%20states）下进行评估，但使用更干净的、与 AR 一致的时序缓存（https://huggingface.co/papers?q=AR-consistent%20temporal%20cache），其中旧历史可以被真实视频上下文替换。这在不改变采样器、降噪步数或推理时缓存机制的前提下，在在线策略的 AR 缓存动态下提供密集的降噪级修正目标。我们将 OPSD-V 应用于代表性的少步 AR 视频模型，包括 Self-Forcing 和 LongLive。实验表明，在视觉质量、运动动态（https://huggingface.co/papers?q=motion%20dynamics）和 VBenchLong（https://huggingface.co/papers?q=VBenchLong）分数方面均有持续改进。一项包含 10 名参与者、比较 20 对视频的用户研究（https://huggingface.co/papers?q=user%20study）显示，在总体偏好判断中，OPSD-V 在 66.0% 的情况下被优先选择（排除平局后为 82.5%）。

查看 arXiv 页面（https://arxiv.org/abs/2607.08766）
查看 PDF（https://arxiv.org/pdf/2607.08766）
项目页面（https://meigen-ai.github.io/OPSD-V/）
GitHub8（https://github.com/MeiGen-AI/OPSD-V）
添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.08766）

在您的智能体中获取此论文：

hf papers read 2607.08766

还没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2607.08766 以便从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2607.08766 以便从此页面链接。

引用此论文的 Space0

没有 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.08766 以便从此页面链接。

包含此论文的收藏0

没有收藏包含此论文

请将此论文添加到一个收藏（https://huggingface.co/new-collection）中以便从此页面链接。