Tag · 3 篇
滑动窗口
分布 生成模型与扩散2视觉语言模型1
01 02 03
T2SGrid：面向视频时序定位的时序到空间网格化
T2SGrid: Temporal-to-Spatial Gridification for Video Temporal Grounding
将视频帧按时间顺序以行主序拼成网格图像，把时序定位转化为二维空间理解任务，为视觉语言模型处理长视频提供了一种无需额外时间戳词元的可复用输入组织方式。
马尔可夫尺度预测：视觉自回归生成的新时代
Markovian Scale Prediction: A New Era of Visual Autoregressive Generation
将VAR的全上下文依赖重构为马尔可夫过程，用滑动窗口压缩历史尺度为紧凑向量，在保持生成质量的同时大幅降低显存和计算开销，为视觉自回归生成提供了更可扩展的框架。
FlashPortrait：基于自适应潜变量预测的6倍速无限肖像动画
FlashPortrait: 6x Faster Infinite Portrait Animation with Adaptive Latent Prediction
提出基于高阶潜变量导数的未来步预测方法，可跳过多个去噪步实现6倍加速，该技术可迁移到其他扩散模型加速场景；同时归一化表情块与动态滑动窗口策略为长视频生成中的身份一致性提供了可复用方案。