Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.01380

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.01380 (cs)
[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

Authors:Xinle Cheng, Tianyu He, Jiayi Xu, Junliang Guo, Di He, Jiang Bian
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。
摘要: Autoregressive video models offer distinct advantages over bidirectional diffusion models in creating interactive video content and supporting streaming applications with arbitrary duration. In this work, we present Next-Frame Diffusion (NFD), an autoregressive diffusion transformer that incorporates block-wise causal attention, enabling iterative sampling and efficient inference via parallel token generation within each frame. Nonetheless, achieving real-time video generation remains a significant challenge for such models, primarily due to the high computational cost associated with diffusion sampling and the hardware inefficiencies inherent to autoregressive generation. To address this, we introduce two innovations: (1) We extend consistency distillation to the video domain and adapt it specifically for video models, enabling efficient inference with few sampling steps; (2) To fully leverage parallel computation, motivated by the observation that adjacent frames often share the identical action input, we propose speculative sampling. In this approach, the model generates next few frames using current action input, and discard speculatively generated frames if the input action differs. Experiments on a large-scale action-conditioned video generation benchmark demonstrate that NFD beats autoregressive baselines in terms of both visual quality and sampling efficiency. We, for the first time, achieves autoregressive video generation at over 30 Frames Per Second (FPS) on an A100 GPU using a 310M model.
评论: 项目页面:https://nextframed.github.io/
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI)
引用方式: arXiv:2506.01380 [cs.CV]
  (或者 arXiv:2506.01380v2 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.01380
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Xinle Cheng [查看电子邮件]
[v1] 星期一, 2025 年 6 月 2 日 07:16:01 UTC (1,537 KB)
[v2] 星期五, 2025 年 7 月 4 日 14:56:46 UTC (1,538 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号