猫眼影戏
 |
|
猫眼影戏
袁军晓
手机审查
猫眼影戏记者 王亚龙 报道Q8X2R7L1T4J5M9B6W3
编辑｜冷猫
大部分的高质量视频天生模子，都只能天生上限约15秒的视频。清晰度提高之后，天生的视频时长还会再一次缩短。
这就让实验AI视频创意的创作者们非？嗄樟。要想实现创意，必需使用分段天生，连系首尾帧，不但操作起来很贫困，并且需要往返抽卡来包管画面的一致性。
那么，限制视频天生时长的瓶颈在那里？
各人可能不知道的是，一段 60 秒、480p、24 帧/秒的视频，在模子内部会被拆解成凌驾 50 万个「潜在 token」
这些 token 就像一条极长的影象胶带，模子想要坚持剧情连贯、画面一致，就必需重新到尾生涯上下文影象。但价钱是：算力直接爆炸，通俗显卡基础扛不住。
这正是目今自回归视频天生模子的焦点矛盾。一边是越长的上下文，画面越连贯；另一边是越长的上下文，盘算本钱越高。
于是，研究者们不得不做出妥协：要么用滑动窗口切掉大部分历史，换取可运行的算力；要么对视频举行激进压缩，牺牲清晰度和细节。
问题在于，这些压缩要领往往最先丢掉的，正是决议画面真实感与一致性的高频细节。
也正是在这一逆境下，苏州大学校友，斯坦福大学博士，ControlNet 创作者张吕敏团队为此投入了研究提出了一种新的解决思绪，给出了专为长视频设计的影象压缩系统，在压缩的同时尽可能保存细腻视觉信息。
论文问题：Pretraining Frame Preservation in Autoregressive Video Memory Compression论文链接：https://arxiv.org/abs/2512.23851v1
研究团队提出了一种神经网络结构，用于将长视频压缩为短上下文，并设计了一种显式的预训练目的，使模子能够在恣意时间位置保存单帧中的高频细节信息。
基线模子可以将一段20 秒的视频压缩为约 5k 长度的上下文体现，同时支持从中随机检索单帧，并在感知质量上坚持优异的外观保真度
这种预训练模子可以直接微调为自回归视频模子的影象编码器（memory encoder），从而以较低的上下文本钱实现长历史影象建模，并且仅带来相对较小的保真度损失。
该视频是使用完整历史上下文（不切割任何历史。┲鹈胱曰毓樘焐。20 多秒的历史被压缩为 ～ 5k 上下文长度，并由 RTX 4070 12GB 处置惩罚。
全新的影象压缩架构
详细而言，研究团队接纳两阶段战略
首先，预训练一个专用的影象压缩模子，其目的是在恣意时间位置上尽可能保存高保真帧级细节信息。
该预训练目的通过对从压缩历史中随机采样的帧最小化其特征距离来实现，从而确保模子在整个序列规模内都能稳健地编码细节信息。
在网络结构设计上，提出了一种轻量级双路径架构：模子同时处置惩罚低区分率视频流和高区分率残差信息流，并通过将高区分率特征直接注入 Diffusion Transformer 的内部通道，绕过古板 VAE 所带来的信息瓶颈，从而进一步提升细节保真度。
预训练影象压缩模子
影象压缩模子的预训练。影象压缩模子需要将长视频（例如 20 秒）压缩成短上下文（例如长度为 5k）。预训练的目的是在恣意历史时间位置检索具有高频细节的帧。
该要领的焦点立异在于其预训练目的设计
研究团队视察到，权衡视频压缩机制保存上下文细节能力的一个合适的指标是其恣意时间位置高质量帧检索的能力。关于高压缩率，完善检索变得不切现实，因此目的变为最大化恣意帧的检索质量。
随后，研究团队将所选的清洁帧复制作为扩散模子的目的，使扩散系统能够在恣意时间位置重修目的帧。该历程可体现为：
这种随机化选择机制有用避免模子通过仅编码易于会见的。ɡ缡字』蚰┲。├础竿镀跞∏伞，从而迫使模子学习一种能够在整个时间序列规模内一连保存细节信息的体现方法。
内存压缩模子的架构。使用 3D 卷积、SiLU 和注重力机制来构建一个轻量级的神经网络结构，作为基准压缩模子。
视频扩散模子的微调
微调自回归视频模子。展示了最终自回归视频模子的微协调推理历程。影象压缩模子的预训练在微调之前完成。
由此获得的视频天生模子具备超长历史窗口（例如凌驾 20 秒）、极短的历史上下文长度（例如约 5k），并且对帧检索质量举行了显式优化。
该扩散历程亦可凭证公式体现为：
实验效果
在实验中，研究团队使用 8 × H100 GPU 集群举行预训练，并使用 1 × H100s 或 A100s 举行 LoRAs 微调。所有实验均在 HunyuanVideo和 Wan 系列的基础模子上举行。
数据集由来自多个网站的约 500 万互联网视频组成。其中约一半是竖屏短视频，其余为通俗横屏视频。数据经由质量洗濯，然后使用 Gemini-2.5-flash VLM 对高质量部分举行字幕标注，剩余部分使用外地 VLM（如 QwenVL）举行处置惩罚。测试集包括由 Gemini-2.5-pro 编写的 1000 个故事板提醒和 4096 个未在训练数据集中泛起过的视频。
定性与定量评估
故事板上的定性效果。通过从故事板中流式传输提醒来展示效果。故事板是一组提醒，其中每个提醒涵盖一定命目的帧。故事板可以由外部语言模子编写。
在定性评估方面，如图所示，研究者证实晰模子能够处置惩罚多种多样的提醒和故事板，同时在角色、场景、物体和情节线方面坚持一致性。
在定量评估方面，研究者们从 VBench、VBench2等平台引入了多个视频评估指标，并举行了一些修改。
视频内容一致性的定量评测效果。其中，Qwen 中的 「1p」 体现仅使用 1 张图像 作为图像模子输入。由于部分要领保存严重伪影，因此未将其纳入人工 ELO 评分统计。
如表所示，本文提出的要领在多个一致性指标上体现出合理的分数。Wan+Qwen 组合在实例分数上似乎具有领先分数，这可能是由于图像模子不会显著改变或移动工具，从而阻止了 VLM 问答检测到的伪影。本文的要领在工具一致性方面体现出有竞争力的分数。别的，用户研究和 ELO 分数验证了本文提出的架构，证实它在压缩和质量之间实现了有用的权衡。
消融实验
压缩结构的定量效果。展示了使用差别消融压缩架构的数值测试。
评测效果如表所示。效果批注，本文要领在 PSNR、SSIM 等指标上取得了相对更优的性能。别的，即便在 4×4×2 的较高压缩率条件下，该要领仍然能够有用坚持原始图像结构。
压缩重修的视觉较量。展示了使用差别可能的神经网络结构和种种压缩设置举行预训练后的重修效果。
影象压缩模子预训练的影响。展示了使用或未使用影象压缩模子预训练的效果。输入是相同的 20 秒历史视频，在输出帧中可视化中心帧。
除此以外，研究团队还在论文中讨论了差别神经网络架构设计之间的权衡取舍。
更多信息，请参阅原论文。
??时势1：男人和女人日逼
??01月07日,2024中国非遗面食大会·中国面塑艺术展开展,
(4)在任何情形下都要坚持疏散通道流通。
,男女又黄又粗又爽在线播放。??01月07日,巴西东南部车祸致8亡43伤,
正如我们的logo所诠释的内在——标记是一个富有理想和激-情的团队。我们提倡康健富厚的人生、追求充分有价值的忙碌;指导开放乐观的心态、作育逆水行舟的立异精神;妄想像家一样的事情情形、组建亲人一样平常的团队整体。
,看欧美一级精品视频,亚洲黄片天堂,www.5566影音先锋。??时势2：久久伊人狼人
??01月07日,广东文物忙“出差”拓展岭南文化“朋友圈”,
火是一种自然征象。驯服的火是人类的朋侪，它给人类带来灼烁和温暖，带来了人类的文明和社会的前进。但火若是失去控制，酿成火灾，就会给人民生命工业造成重大的损失。
,三国黄游,2022一本久道久久综合狂躁,性欧美XXX老师护士。??01月07日,马修·伯恩芭蕾舞剧《罗密欧与朱丽叶》开启中国巡演,
看到他这个样子，族长石云峰脸上的皱纹一颤，就是石林虎与石飞蛟几人也都神色变了，不再盯着独角兽看。
,米塔本子!隐藏网站,欧美Aa免费网站,黄色日韩福利网站。??时势3：久久99无码国产精品性一区人妖
??01月07日,2023年中国持枪爆炸犯罪案件同比下降20%,
老狈震怒，冲天而上，在高空中盘旋，不但未将自己的宝具收回来，还遭受重创，关于狡诈阴狠、历来不肯亏损的它来说，不可容忍。
,一级电影视频,Fate被 到爽 高潮痉挛,欧美高清一级片九九。??01月07日,太原新年初雪后现大雾天气, 果真资料显示，中国福利会的前身是守卫中国同盟，由中华人民共和国信用主席宋庆龄于1938年6月在香港开办，其时的主要使命是向海内外召募物资和捐钱以支援中国人民抗日战争。1941年12月迁往重庆。,日本gay,十八大禁黄色网站,AV天堂久资源网AV天堂。
??时势4：九九九九人妻一区精品色
??01月07日,四川成都：文殊院香甜可口的腊八粥吸引民众,
诸强退到了小孤山镇，感受事情棘手，山脉中的情形太恐怖了，他们基础就不可能进得去，别说山宝，就是遗种的遗体等也基础不可能获得。
,想要免费毛片A,一级性生活,一级b排放标准欧美一级黄片免费的。??01月07日,“中国龙虾之都”江苏盱眙民俗巡游文化味浓,
金色的穿山甲扑杀下来，落空后，猛的一个横跨，撞击而来，要将小不点挤碎在山壁间，端的是凶猛而又狠辣。
,小 戳进 日漫,开发三味为啥找不到了,黄片一区二区免费看。责编：孙韶华
审核：张鼎丞
责编：松莲
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
