VBench-I2V
PulseAugur coverage of VBench-I2V — every cluster mentioning VBench-I2V across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的AI模型提升视频生成质量和效率 · 跟踪4个来源
研究人员开发了新的方法来提高AI生成视频的质量和效率。Stream4D通过使用显式建模场景动态的4D重建奖励来解决自回归扩散模型中的几何漂移问题，从而实现更好的运动保持和更高的人类偏好度。FrescoDiffusion通过结合平铺去噪和预计算的潜在先验来维持全局一致性和精细细节，解决了生成4K等超高分辨率视频的挑战。此外，Spectral Progressive Diffusion提供了一个用于高效图像和视频生成的框架，通过在扩散模型…
-
新的 W4A4 量化技术增强了 Wan2.2-I2V-A14B 模型的推理能力
研究人员为 Wan2.2-I2V-A14B 模型开发了一种新颖的 W4A4 量化技术，旨在提高低比特宽度硬件上的推理效率。他们的方法将激活值异常的混合精度与逐通道平滑和前馈层的块状打包相结合。该方法在 VBench I2V 指标上取得了接近 FP16 的 2-3.5% 的结果，优于原生的 HiFloat4 基线。
-
具有预测潜在变量的视频生成
研究人员开发了几种新方法来提高视觉生成模型的效率和质量。DC-DiT 将动态分块引入 Diffusion Transformers，自适应地压缩视觉数据以实现更快的推理和更好的质量。Quant VideoGen 通过使用 2 位量化解决了自回归视频生成中的 KV 缓存内存瓶颈，在保持一致性的同时显著减少了内存使用。FreeSpec 通过使用奇异谱重构来平衡全局和局部特征，改善了时间动态和视觉质量，从而应对长视频生成的挑战。SwiftI…