计算机科学 > 计算机视觉与模式识别
[提交于 2025年6月2日
(v1)
,最后修订 2025年7月4日 (此版本, v2)]
标题: 通过下一帧扩散在30+ FPS下玩转Transformer
标题: Playing with Transformer at 30+ FPS via Next-Frame Diffusion
摘要: 自回归视频模型在创建交互式视频内容和支持任意持续时间的流媒体应用方面相较于双向扩散模型具有明显的优势。 在本工作中,我们提出了下一帧扩散(NFD),这是一种自回归扩散变压器,结合了逐块因果注意力,通过每帧内的并行标记生成实现迭代采样和高效推理。 然而,实现实时视频生成对于此类模型仍然是一个重大挑战,主要是由于扩散采样的高计算成本以及自回归生成固有的硬件效率低下。 为了解决这个问题,我们引入了两项创新:(1)我们将一致性蒸馏扩展到视频领域,并专门为其调整以适用于视频模型,从而实现使用少量采样步骤的高效推理;(2)为了充分利用并行计算,受观察到相邻帧通常共享相同的动作输入的启发,我们提出了推测采样。 在这种方法中,模型使用当前的动作输入生成接下来的几帧,并在输入动作不同时丢弃推测生成的帧。 在大规模动作条件视频生成基准上的实验表明,NFD在视觉质量和采样效率方面均优于自回归基线。 我们首次在A100 GPU上使用310M模型实现了每秒超过30帧(FPS)的自回归视频生成。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.