论文页面 - One-Forcing: 迈向稳定的单步自回归视频生成

来源: https://huggingface.co/papers/2605.23458

摘要

One-Forcing 通过将 DMD 目标与 GAN 损失相结合，提升了单步视频生成的质量和效率，以更低的训练成本取得了最先进的结果。

近期进展显著提升了自回归模式下实时交互式视频生成的质量。然而，现有的大多数少步自回归视频生成 (https://huggingface.co/papers?q=autoregressive%20video%20generation) 方法（通常从对应的多步教师模型蒸馏而来）默认采用 4 步采样配置，这在部署时仍会导致相当大的延迟，并且当采样步数进一步减少（尤其是在单步设置下）时，会出现严重的质量退化。轨迹式一致性蒸馏 (https://huggingface.co/papers?q=Trajectory-style%20consistency%20distillation) 方法通常生成的视频动态性较弱，而基于 DMD (https://huggingface.co/papers?q=DMD-based%20approaches) 的方法（例如 Self-Forcing (https://huggingface.co/papers?q=Self-Forcing)）则倾向于产生模糊的帧。为了解决这一挑战，我们提出了 One-Forcing，一种简单而有效的方法，它通过辅助的 GAN 损失 (https://huggingface.co/papers?q=GAN%20loss) 来增强 DMD 目标，以实现高质量且高效的单步视频生成 (https://huggingface.co/papers?q=one-step%20video%20generation)。在 VBench 上的实验表明，One-Forcing 的总分达到 83.76，在单步因果视频生成 (https://huggingface.co/papers?q=causal%20video%20generation) 方法中建立了最先进的性能，并与强大的多步方法保持竞争力。我们进一步证明，仅需分块模型 (https://huggingface.co/papers?q=chunkwise%20model) 三分之一的训练成本，即可稳定实现单步逐帧自回归生成，而先前的方案未能成功达成这一设置。

查看 arXiv 页面 (https://arxiv.org/abs/2605.23458)查看 PDF (https://arxiv.org/pdf/2605.23458)项目页面 (https://aurora-edu.github.io/one-forcing/)GitHub30 (https://github.com/Aurora-edu/One-Forcing)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.23458)

在你的代理中获取此论文：

hf papers read 2605\.23458

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

引用此论文的模型0

没有模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.23458 以在此页面建立链接。

引用此论文的数据集0

没有数据集关联此论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.23458 以在此页面建立链接。

引用此论文的 Space0

没有 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2605.23458 以在此页面建立链接。

包含此论文的收藏集0

没有收藏集包含此论文

请将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 以在此页面建立链接。