标签
Prism提出一种动态稀疏注意力框架，用于在原生2K分辨率下训练联合视频-音频生成模型。该方法通过将token序列组织为时空宏区域，并结合音频-视频跨模态信号自适应地为每个区域分配注意力块的形状，实现了相比全注意力2.5倍的训练加速，同时生成质量更优。
提出 StereoBind 框架，通过动态空间对应（Dynamic Spatial Correspondence）将视觉源运动与立体声生成绑定，用于沉浸式视频-音频联合生成，并构建了 StereoWorld-29K 数据集与评测基准。
Prism 是一个动态稀疏注意力框架，用于以原生分辨率训练 2K 的视频-音频联合生成模型。它通过时空宏块划分与内容自适应的块形状分配，在实现 2.5 倍训练加速的同时，生成质量超越全注意力模型，由复旦大学与腾讯混元联合发布。
VA-Judger是首个用于联合视频-音频生成的奖励模型，它使用人类偏好反馈来评估整体质量，包括一个数据集和基准测试，并在应用于像LTX-2这样的模型时展示了人类偏好率的显著提升。