论文页面 - CausalCine：用于多镜头视频叙事的实时自回归生成

来源：https://huggingface.co/papers/2605.12496 作者：

,

,

,

,

,

,

,

,

,

,

,

,

摘要

CausalCine 通过因果建模、动态记忆路由和实时蒸馏技术，解决了自回归模型的局限性，从而实现交互式、多镜头的视频生成。

自回归视频生成（https://huggingface.co/papers?q=Autoregressive%20video%20generation）旨在实现实时、开放式的合成。然而，电影叙事不仅仅是单一场景的无限延伸；它需要经历不断演变的事件、视角的转换以及离散的镜头边界。现有的自回归模型往往难以应对这种设置。由于主要训练用于短视野的延续，它们将长序列视为延长的单一镜头，在长时间 rollout（生成展开）过程中不可避免地出现运动停滞和语义漂移。为了弥补这一差距，我们引入了 CausalCine，这是一个交互式的自回归框架，它将多镜头视频生成（https://huggingface.co/papers?q=multi-shot%20video%20generation）转化为在线导演过程。CausalCine 在镜头切换处进行因果生成，接受动态提示，并复用上下文而无需重新生成之前的镜头。为实现这一目标，我们首先在原生多镜头序列上训练因果基座模型（causal base model）（https://huggingface.co/papers?q=causal%20base%20model），以学习加速前的复杂镜头转换。随后，我们提出了内容感知记忆路由（Content-Aware Memory Routing, CAMR）（https://huggingface.co/papers?q=Content-Aware%20Memory%20Routing），它根据基于注意力的相关性得分（attention-based relevance scores）（https://huggingface.co/papers?q=attention-based%20relevance%20scores）动态检索历史键值（KV）条目，而不是依据时间邻近性，从而在有限的活动内存下保持跨镜头一致性（cross-shot coherence）（https://huggingface.co/papers?q=cross-shot%20coherence）。最后，我们将因果基座模型（https://huggingface.co/papers?q=causal%20base%20model）蒸馏为少步生成器，以实现实时交互式生成（interactive generation）（https://huggingface.co/papers?q=interactive%20generation）。大量实验表明，CausalCine 显著优于自回归基线模型，并接近双向模型的能力，同时释放了因果生成的流式交互潜力。演示视频请访问：https://yihao-meng.github.io/CausalCine/

查看 arXiv 页面 (https://arxiv.org/abs/2605.12496) 查看 PDF (https://arxiv.org/pdf/2605.12496) 项目页面 (https://yihao-meng.github.io/CausalCine/) 添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2605.12496)

在你的 agent 中获取这篇论文：

hf papers read 2605.12496

没有最新的 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

在模型 README.md 中引用 arxiv.org/abs/2605.12496 即可从本页链接到该模型。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.12496 即可从本页链接到该数据集。

引用此论文的 Spaces 0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.12496 即可从本页链接到该 Space。

包含此论文的收藏集 0

没有收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 即可从本页链接到该收藏集。