论文页面 - 面向多步视觉推理的分层去噪

来源：https://huggingface.co/papers/2607.15278 作者：

,

,

,

,

,

,

,

,

,

,

摘要

视频模型正逐步演化为视觉基础模型，但其仍缺乏类似人类的多步推理能力。流式自回归扩散模型效率高但推理能力有限，而双向扩散虽能实现全局修正，但因密集的帧级去噪导致推理成本高昂。这两种范式在处理复杂推理任务时均难以兼顾逻辑一致性与低延迟流式输出。我们提出HDR（面向视觉推理的分层去噪），一个将分层潜变量集成到因果视频生成中的统一框架，以支持多步推理。HDR将视频潜变量组织成树状层次结构，在流式输出之前实现从粗到细的推理。粗去噪层保留不确定性假设用于全局规划，而细粒度层则逐步将其精炼为具体视觉状态。稀疏分层注意力模式（SHAP）进一步降低了时间注意力成本。我们引入了一个层分层的多步视频推理基准（包含分布外案例），涵盖六项任务：迷宫导航、汉诺塔、一笔画、滑块拼图、推箱子及倒水问题。与流式自回归扩散基线相比，HDR将成功率从34.22提升至60.29（相对提升76.2%），并将平均进度从76.00提升至89.56，展示了更一致的推理轨迹。HDR保持低延迟流式输出（每个潜变量0.70秒），推理速度比双向扩散快54.2倍。在仅使用2%训练数据的情况下，HDR仍能保留82.9%的全数据性能，而双向扩散仅能保留52.0%。真实机器人实验进一步证明了HDR在物理交互和世界建模方面的潜力。项目演示：https://hierarchical-diffusion-reasoning.github.io/。

查看 arXiv 页面（https://arxiv.org/abs/2607.15278）查看 PDF（https://arxiv.org/pdf/2607.15278）项目页面（https://hierarchical-diffusion-reasoning.github.io/）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.15278）

在您的代理中获取此论文：

hf papers read 2607.15278

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

引用该论文的模型0

无模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2607.15278 以从此页面链接。

引用该论文的数据集0

无数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2607.15278 以从此页面链接。

引用该论文的 Spaces0

无 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.15278 以从此页面链接。

包含该论文的收藏0

无收藏包含此论文

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