SlotDiT

SlotDiT：扩散 Transformer 使用以对象为中心的槽来进行视频生成

研究人员推出 SlotDiT，这是一种新颖的扩散 Transformer (DiT) 模型，专为视频生成和机器人应用而设计。该模型在基于槽的潜在空间内运行，该空间将场景分解为以对象为中心的表示。SlotDiT 利用这些结构化潜在表示，根据语言指令和观察到的上下文来预测未来的场景动态。实验表明，SlotDiT 在视频生成质量方面具有竞争力，并提高了机器人任务的完成率，提供了比基于 VAE 的方法更具计算效率的替代方案。