标签
Steady-Forcing 提出了一种记忆与训练框架，旨在长时域自然视频生成中平衡空间稳定性与运动连续性，在保持流体动态持续多分钟滚动生成的同时，提升背景一致性。
字节跳动开源了 Bernini-R，一种视频扩散渲染器，结合了基于 MLLM 的语义规划器和基于 DiT 的渲染器，用于统一的视频生成和编辑，在视频编辑上达到顶尖性能。
τ_0-WM是一个统一的视频-动作世界模型，用于机器人操作，它通过共享的视频扩散主干集成了策略学习、视频预测和动作评估。在具有挑战性的长周期和细粒度任务上表现出卓越性能。
LVSA 为视频扩散模型引入了一种无训练稀疏注意力机制，将计算量减少高达 3.17 倍，同时能够在训练时长之外进行生成，且无质量损失。
VideoMLA 用共享的低秩潜变量和解耦的 3D-RoPE 位置键替换了视频扩散模型中每个头的 KV 缓存，在 B200 上将每个 token 的 KV 内存降低了 92.7%，吞吐量提升了 1.23 倍，同时在 VBench 基准测试中保持了质量。
本文指出，在分块自回归视频扩散的KV缓存压缩中，对键进行量化会导致注意力权重出现偏差，并提出了一种每注意力分数校正方法，该方法以可忽略的开销消除偏差，在INT2量化下恢复接近BF16的视频质量。
SCOPE提出了一种方法，通过在视频扩散模型的Transformer块中引入条件模块，将作用域内效果与作用域外视觉效果分离，无需分割标签，实现FPS游戏中的精确动作响应，并推出了CrossFPS，这是一个多游戏数据集，支持零样本跨游戏迁移。
WorldKV 是一个无需训练的框架，它检索并压缩键值缓存块，以在视频扩散世界生成中保持长期一致性，在匹配全记忆保真度的同时实现更高吞吐量。
一种新颖的推理时长视频生成方法，使用重叠滑动窗口结合Tweedie匹配和随机早期阶段采样，在不额外训练的情况下提高时间一致性和视觉质量。
Q-ARVD是一种新颖的量化框架，通过解决帧级量化敏感度失衡和权重异常值模式，降低自回归视频扩散模型的推理成本。
Flash-GRPO 通过等时间分组和时间梯度校正解决时间方差和梯度不一致问题，从而提升了视频扩散模型的训练效率，实现了最先进的对齐质量和显著的训练加速。
NVIDIA 发布了 AnyFlow，这是首个用于文本到视频生成的任意步数视频扩散模型，允许在推理预算（4 到 50 步）之间实现平滑的质量缩放。
VidSplat 是一种无需训练的生成式重建框架，它利用视频扩散先验，通过合成新视角，从稀疏输入中恢复完整的 3D 场景。
本文介绍了Forcing-KV，这是一种针对自回归视频扩散模型的混合KV缓存压缩策略，它将注意力头分为静态和动态两类，在1080P分辨率下实现了高达2.82倍的加速，同时保持了输出质量。
AnyRecon 提出了一种可扩展框架，利用具备持久场景记忆与几何感知条件的视频扩散模型，从任意稀疏输入进行 3D 重建。
MoZoo 是一个生成式扩散模型，能够从粗糙网格合成高保真动物视频，采用了新颖的注意力机制和合成到真实的数据管道。
本文介绍了可训练稀疏注意力（VSA），一种硬件高效的稀疏注意力机制，它降低了视频扩散变换器的计算成本，而不影响性能，从而实现更高效的扩展和更快的生成。
FramePack是一种神经网络结构，它压缩输入帧，使得Transformer上下文长度固定，不受视频长度影响，从而使视频扩散模型能够处理大量帧，计算瓶颈类似于图像扩散，并提高了批量大小。它还引入了一种抗漂移采样方法，以减少曝光偏差。
本文介绍了一种可扩展的开源管道，利用NVIDIA NeMo进行视频基础模型的训练和推理，通过加速数据集管理和并行化训练来解决生成高质量视频的挑战。