标签
能量引导流匹配通过使用移动端点和自适应调度改进生成图像质量，以降低的训练成本达到最先进FID分数。
WorldClaw是一个智能体式由粗到细的框架，能够根据文本提示生成大规模、可探索的3D开放世界，利用规划智能体和地形条件组合来产生连贯的全局结构以及可编辑的实例级资产。
本文介绍了MilliVid，一种通过使用多尺度自编码器将帧压缩为分层标记，然后使用由粗到细的扩散模型生成它们，从而提升视频生成中长程一致性的方法，在Minecraft视频上超越了基线模型。
本文提出CAT，一种跨尺度对齐变换器，通过强制中间GAN输出与最终输出之间的一致性来解决轨迹错位问题，在ImageNet-256上实现了1.56的最优FID。
本文提出一种嵌套时空预测框架，利用谱聚类构建语义一致的宏观区域，为细粒度的微观预测提供自上而下的指导。在高维数据集上的实验表明，该方法始终优于最先进的基线模型。
HL-OutPaint 是一个面向高分辨率长时视频的由粗到细视频外扩框架，利用全局粗粒度引导实现大空间外推，同时保持时空一致性。
# 论文页面 - (1D) 有序词元实现高效测试时搜索 来源：[https://huggingface.co/papers/2604.15453](https://huggingface.co/papers/2604.15453) ## 摘要 具有“粗到细”词元结构的自回归模型在测试时扩展上表现更佳，并在与图文验证器结合后，实现无需训练的文本到图像生成。 [词元化](https://huggingface.co/papers?q=Tokenization) 是自回归（AR）生成模型的关键组件，将原始