autoregressive-diffusion

ARDY 引入了一个流式生成框架，用于实时、高保真度的 3D 人体运动生成，通过文本和运动学约束进行控制，采用混合表示和两阶段自回归 Transformer 去噪器。

本文介绍Lip Forcing，首个用于实时视频到视频唇形同步的自回归扩散方法。通过将14B教师模型蒸馏为因果学生模型，并仅使用两步去噪，该方法在1.3B规模下实现了31 FPS的流式处理，比同规模双向模型快17.6倍。