Tag · 6 篇
流式生成
Yume1.5：文本控制的交互式世界生成模型
Yume1.5: A Text-Controlled Interactive World Generation Model
统一上下文压缩加线性注意力、以及双向注意力蒸馏，是把扩散视频生成压到实时流式（单卡 A100 上 540p 12fps）的可复用手段，做交互式世界模型或长视频生成的人可以直接借鉴其历史上下文压缩与蒸馏流程。
StreamDiT：实时流式文本到视频生成
StreamDiT: Real-Time Streaming Text-to-Video Generation
把流匹配训练与移动缓冲区结合，使 DiT 能逐块流式生成视频；配套的分段多步蒸馏把 NFE 压到缓冲区块数，为视觉研究者提供了把任意扩散/流模型转成实时流式生成器的可复用范式。
StreamAvatar：面向实时交互式人体虚拟人的流式扩散模型
StreamAvatar: Streaming Diffusion Models for Real-Time Interactive Human Avatars
把高保真人体视频扩散模型通过自回归蒸馏+对抗精炼改造成因果流式生成器，配合 Reference Sink 与 RAPR 维持长时一致性，为实时交互式数字人提供可复用的少步流式采样方案。
LiveGesture：可流式生成的语音协同手势生成模型
LiveGesture: Streamable Co-Speech Gesture Generation Model
把全身动作按身体区域拆成因果离散词元、再用区域专家自回归模型加时空融合来建模，这套「流式分词器 + 分层自回归」的架构可直接迁移到其他需要零前瞻、任意长度输出的动作/姿态序列生成任务（如虚拟人驱动、动作预测）。
FloodDiffusion：面向流式动作生成的定制化扩散强制
FloodDiffusion: Tailored Diffusion Forcing for Streaming Motion Generation
论文揭示的扩散强制改造要点（双向注意力、下三角时间调度器、连续时变条件注入）可直接迁移到视频等流式时序生成任务，为实时、变条件驱动的序列生成提供可复用的训练范式。
面向自回归动作生成的因果动作扩散模型
Causal Motion Diffusion Models for Autoregressive Motion Generation
把因果扩散强制（causal diffusion forcing）与逐帧采样调度引入潜空间扩散 Transformer，为视觉领域实现流式、低延迟的自回归序列生成（如视频、动作序列）提供了可复用的时序因果去噪范式。