Ruibo Ming

新的STRIDE模型通过语义前瞻性改进视频续写

研究人员推出了一种新颖的大型视觉模型架构STRIDE（STructural RegIsters for Decoupled Extrapolation），旨在提高自回归视频续写的连贯性，尤其是在驾驶场景中。该模型通过将视频生成解耦为语义和RGB令牌预测来解决“生成退化”问题。STRIDE使用语义令牌作为“结构化寄存器”来维持长期上下文和场景动态，从而增强生成视频的时间一致性。