因果视频-VAE

基于参考引导深度压缩变分自编码器的实时可流式说话人肖像视频生成

Real-Time Generation of Streamable Talking Portrait Video with Reference-Guided Deep Compression VAEs

因果视频 VAE 将可变数量的参考图像作为引导，把静态外观信息从潜变量中剥离，使网络专注动态信息，这一思路可直接迁移到任何需要深度潜空间压缩的流式视频生成任务；块级自回归的 Rectified Flow Transformer 也为实时长视频生成提供了可复用的采样架构。