搜索：自回归视频扩散模型

「自回归视频扩散模型」共找到 1362 篇相关文章

ICLR 2026 | ESC — 解构一步生成，厘清细节，探寻本质

西湖大学研究人员针对一步扩散生成模型复杂性问题，提出统一设计框架，对代表性模型进行组件级分析，定位关键误差来源，提出ESC变体，在ImageNet 256×256上取得优异成果。

英伟达推出DreamGen项目，让机器人‘做梦学习’。它利用视频世界模型生成神经轨迹，仅少量现实视频就能让机器人学会新任务，实现从0泛化，还将助力GR00T - Dreams发展。

传统video dubbing技术有局限，新兴模型也有问题。美团视觉智能部研发的InfiniteTalk引入‘稀疏帧video dubbing’，实现口型、表情、肢体与音频自然对齐，解决长视频生成难题，技术已开源。

何恺明团队提出ELF模型，将扩散过程置于连续向量空间，只在最后翻译成词。它用一个网络实现去噪和解码，引入自条件机制。实验显示，ELF用不到其他方法十分之一数据，生成质量全面领先。

特拉维夫大学提出HOIDiNi，这是文本驱动的扩散框架，用于生成人体 - 物体交互动作。它引入扩散噪声优化，能兼顾真实感与物理正确性。不过它泛化能力待拓展、生成速度慢，未来需提升效率等。

Google的AI视频神器Veo 3刷屏，使用门槛低，生成效率高，效果震撼。它能生成二次元、科幻、仙侠等多种类型短片，虽有不足，但极大促进AI视频发展，适合多行业基层人员。

近年来，现有方法难满足游戏视频生成需求。腾讯推出Hunyuan - GameCraft，可基于一张图像和提示词生成游戏交互视频，能精准响应交互信号，保留历史场景信息，不过动作空间待丰富。

临近春节，字节跳动 1 月初上线的「随变」App 在年轻人中流行。它类似「纯净版」AI 抖音，核心功能有 AI 形象生成等。字节借此在小体量社区验证功能，解决抖音年轻用户留存问题，也想抢占 AI 视频市场。

OpenAI彻底退出视频生成业务，关闭App和API，ChatGPT视频功能也没了，迪士尼10亿美元合同作废。Sora研究团队转向机器人方向。原因是Anthropic靠文字和代码实现高营收，而Sora营收不佳且消耗算力。

谷歌携Gemini 3和Nano Banana Pro强势回归AI王座，连奥特曼都承认谷歌「反超」。谷歌逆袭原因多样，创始人布林回归打破「大公司病」，CEO劈柴推动「AI优先」，还有自研TPU提供算力保障。