论文页面 - MV-Forcing：基于4D时空自强迫的长序列多视角视频生成

来源：https://huggingface.co/papers/2607.05376

摘要

一种视频扩散框架，通过4D几何桥接和时空蒸馏技术，结合时序与视角方向的自回归，生成长序列、多视角一致的视频。

近年来的视频扩散模型（https://huggingface.co/papers?q=video%20diffusion%20models）进展已实现通过时序自回归（https://huggingface.co/papers?q=temporal%20autoregression）生成单视角长视频，或通过双向注意力（https://huggingface.co/papers?q=bidirectional%20attention）生成短时多视角合成（https://huggingface.co/papers?q=multi-view%20synthesis）。然而，动态场景的长序列多视角一致生成仍未解决。本文提出MV-Forcing，一种通过在顺序生成的视角间引入4D几何桥接（https://huggingface.co/papers?q=4D%20geometric%20bridge），在单一扩散模型中组合时序与视角方向自回归的框架。我们的关键洞察是：自回归3D重建模型（https://huggingface.co/papers?q=autoregressive%203D%20reconstruction%20model）可以自然地桥接自回归生成的视角。给定一个完成的源视角，我们重建其3D结构并渲染下一个目标视角的几何先验（https://huggingface.co/papers?q=geometric%20prior），扩散模型将其精炼为高质量视频。为了将生成扩展到教师模型固定时间窗口之外，我们引入联合去噪机制（https://huggingface.co/papers?q=joint%20denoising%20regime），训练时将两个视角槽位同时从噪声初始化，实现时间无界生成（https://huggingface.co/papers?q=temporally%20unbounded%20generation）。我们通过分布匹配蒸馏（https://huggingface.co/papers?q=Distribution%20Matching%20Distillation）结合时空自强迫（https://huggingface.co/papers?q=Spatio-Temporal%20Self-Forcing）对模型进行蒸馏，弥补时序和视角序列自回归中训练-推理曝光偏差的差距。在合成和真实数据上的大量实验表明，MV-Forcing使用单一少步学生模型（https://huggingface.co/papers?q=student%20model），能够在任意时长和视角数量下生成几何一致的动态场景多视角视频。

查看arXiv页面（https://arxiv.org/abs/2607.05376）查看PDF（https://arxiv.org/pdf/2607.05376）项目页面（https://galfiebelman.github.io/mv-forcing/）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.05376）

在您的智能体中使用本论文：

hf papers read 2607\.05376

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

引用本论文的模型0

无模型链接本论文

在模型README.md中引用 arxiv.org/abs/2607.05376 即可从此页面链接。

引用本论文的数据集0

无数据集链接本论文

在数据集README.md中引用 arxiv.org/abs/2607.05376 即可从此页面链接。

引用本论文的太空0

无Space链接本论文

在Space README.md中引用 arxiv.org/abs/2607.05376 即可从此页面链接。

包含本论文的收藏集0

无收藏集包含本论文

将本论文添加到收藏集（https://huggingface.co/new-collection）即可从此页面链接。