SceneTok来了：3D场景压成32K token，5秒还能生成
3D场景生成一直卡在两个字：太大。SceneTok偏偏反着来，把场景先压成少量无序token，再把“渲染”和“生成”拆开做，结果是压缩率高得离谱，速度还不慢，挺像把大卡车拆成乐高再开回去。
标签：视频生成
共 73 篇
快手LPM工业级视频修复：45%观看时长都在用
视频修复最难的不是“修清楚一帧”，而是“修完一整条还不闪”。LPM把数据、训练、推理和部署一起打通，直接做到工业级落地，还顺手把带宽成本打下来了，属于论文里少见的真能进生产线的狠角色。
UCF-101上VideoRAE刷新SOTA：离散40、连续93
这篇论文最有意思的地方，不是又做了一个视频自编码器，而是把“只会理解”的冻结视频基础模型，硬生生改造成了能重建、能生成、还能加速训练的通用视频潜空间。更妙的是，它把连续和离散两条生成路线都打通了，工程味很足。
UT Austin提出ACID：视频生成缓存提速38%，还不怎么掉画质
视频生成最烦的不是“生成不出来”，而是“生成得太慢”。这篇 ACID 直接盯住动态缓存里那个最容易被忽略的点：固定阈值一刀切，天然把速度和画质拴死了。它的思路很朴素，但很有效——该省的时候猛省，该稳的时候别乱抠。
ICCV 2023新范式被挑战：视频扩散模型为何输给自回归？
视频扩散模型看着很会“画”，但一遇到连续依赖事件就容易露馅。本文用最干净的硬球碰撞任务，把这个短板拆得明明白白。
Microsoft研究院新作Ink3D：视频生成把3D纹理“雕”复杂了
3D贴图最烦的不是“有没有”，而是“能不能把复杂花纹贴得像真的”。Ink3D的思路很直接：几何交给3D模型，纹理交给视频生成，再用烘焙把两边缝起来，工程味很足，也很有启发。
AVSR-Diff来了：4×到8×都能稳住细节
这篇论文最有意思的地方，不是把视频放大，而是把“放大倍率”和“生成成本”硬生生拆开了。AVSR-Diff 用固定低分辨率潜空间做扩散，再用连续解码补细节，2×到8×都能跑，内存还几乎不涨，工程味很足。
语义token+扩散渲染：Vega新范式
视频理解和视频生成长期像两拨人：一边要“看懂”，一边要“画准”。Vega直接把两件事塞进同一个框架里，还用3B参数在多个基准上打出了很能打的成绩，值得细看。
DeepMind新作：DINOv2拉直视频，假视频现形
假视频越来越像真视频，传统只看像素伪影的办法已经不太够用了。这篇 DeepMind 的 ReStraV 反其道而行，盯着视频在 DINOv2 特征空间里“走路直不直”，思路简单，效果却很能打。
NVIDIA新作：长视频重光照终于不闪了
长视频重光照最烦的不是“能不能变亮”，而是“每一块都别自己演戏”。这篇 NVIDIA 新作把问题改写成跨块连续翻译，再加暖启动提示，思路很工程，也很实用。
华中科大小米汽车新方法：中间层一训，PDMS涨1.3
这篇论文最有意思的地方，不是又堆了一个更大的自动驾驶模型，而是把“中间表示”当成了真正要训练的对象。它把视频生成、轨迹规划和安全边界三件事拆开处理，结果还真把收敛速度和闭环表现一起抬起来了。
腾讯中山大学新方法：复杂指令不再乱序
自回归视频最怕的不是慢，而是“顺序一乱就全乱”。TempAct 把规划和执行拆开，再用分层强化学习去训，专治复杂时间指令下的语义混淆、提示切换失灵和误差传染，思路很像给视频模型配了个会排兵布阵的总指挥。
