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:2507.03745

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.03745 (cs)
[提交于 2025年7月4日 (v1) ,最后修订 2025年7月8日 (此版本, v2)]

标题: StreamDiT:实时流式文本到视频生成

标题: StreamDiT: Real-Time Streaming Text-to-Video Generation

Authors:Akio Kodaira, Tingbo Hou, Ji Hou, Masayoshi Tomizuka, Yue Zhao
摘要: 最近,通过将基于Transformer的扩散模型扩展到数十亿参数,文本到视频(T2V)生成取得了重大进展,可以生成高质量的视频。 然而,现有模型通常只能离线生成短片段,限制了其在交互式和实时应用中的使用。 本文通过提出StreamDiT,一种流式视频生成模型,解决了这些挑战。 StreamDiT的训练基于流匹配,通过添加一个移动缓冲区进行训练。 我们设计了不同缓冲帧分块方案的混合训练,以提高内容一致性和视觉质量。 StreamDiT建模基于具有可变时间嵌入和窗口注意力的adaLN DiT。 为了实践所提出的方法,我们训练了一个具有40亿参数的StreamDiT模型。 此外,我们提出了一种针对StreamDiT的多步骤蒸馏方法。 在选定的分块方案的每个段中进行采样蒸馏。 蒸馏后,总函数评估次数(NFEs)减少到缓冲区中块的数量。 最后,我们的蒸馏模型在单个GPU上达到16 FPS的实时性能,可以以512p分辨率生成视频流。 我们通过定量指标和人类评估来评估我们的方法。 我们的模型实现了实时应用,例如 流式生成、交互式生成和视频到视频。 我们在项目网站上提供了视频结果和更多示例:https://cumulo-autumn.github.io/StreamDiT/
摘要: Recently, great progress has been achieved in text-to-video (T2V) generation by scaling transformer-based diffusion models to billions of parameters, which can generate high-quality videos. However, existing models typically produce only short clips offline, restricting their use cases in interactive and real-time applications. This paper addresses these challenges by proposing StreamDiT, a streaming video generation model. StreamDiT training is based on flow matching by adding a moving buffer. We design mixed training with different partitioning schemes of buffered frames to boost both content consistency and visual quality. StreamDiT modeling is based on adaLN DiT with varying time embedding and window attention. To practice the proposed method, we train a StreamDiT model with 4B parameters. In addition, we propose a multistep distillation method tailored for StreamDiT. Sampling distillation is performed in each segment of a chosen partitioning scheme. After distillation, the total number of function evaluations (NFEs) is reduced to the number of chunks in a buffer. Finally, our distilled model reaches real-time performance at 16 FPS on one GPU, which can generate video streams at 512p resolution. We evaluate our method through both quantitative metrics and human evaluation. Our model enables real-time applications, e.g. streaming generation, interactive generation, and video-to-video. We provide video results and more examples in our project website: https://cumulo-autumn.github.io/StreamDiT/
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI); 机器学习 (cs.LG); 图像与视频处理 (eess.IV)
引用方式: arXiv:2507.03745 [cs.CV]
  (或者 arXiv:2507.03745v2 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.03745
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Akio Kodaira [查看电子邮件]
[v1] 星期五, 2025 年 7 月 4 日 18:00:01 UTC (29,321 KB)
[v2] 星期二, 2025 年 7 月 8 日 03:10:13 UTC (29,321 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
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.AI
cs.LG
eess
eess.IV

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