Wan2.1-1.3B
PulseAugur coverage of Wan2.1-1.3B — every cluster mentioning Wan2.1-1.3B across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
NEXTGAN 简化了 GAN 训练，实现了可扩展的图像和视频生成
研究人员推出了一种新颖的生成对抗网络（GAN）训练方法 NEXTGAN，该方法简化并扩展了图像和视频生成的流程。该方法使用一个标量判别器，将输入的梯度回归到参考特征和生成特征之间的位移上，有效地充当了具有梯度能量惩罚的对抗性目标。NEXTGAN 在 ImageNet 等基准测试中表现出色，取得了具有竞争力的 FID 分数，并在文本到视频生成方面取得了显著改进，在 VBench 总分上超越了现有的 1.3B 参数模型。
-
新的Direct Forcing方法简化了文本到视频生成训练
研究人员开发了一种名为Direct Forcing的新型单阶段训练框架，用于自回归文本到视频生成。该方法将因果适应和分布匹配整合到一个过程中，利用参考视频进行历史延续和群体目标。该框架采用因果延续对齐和滚动分布匹配，并通过动态梯度平衡来调整它们在训练中的贡献。从双向Wan2.1-1.3B模型开始，Direct Forcing在VBench基准测试中取得了优异的性能，并且更新次数明显少于传统方法。
-
新的基准和方法解决了无需人类反馈的视频奖励建模问题 · 跟踪到 2 个来源
研究人员开发了无需依赖人类反馈即可训练视频奖励模型的新方法。IsoVRBench 引入了一个合成偏好对的基准，该基准可以隔离特定的视频属性，从而得到一个性能优于人类训练的对应物的奖励模型 (IsoVRM)。GraftOOD 通过引入分布外样本来解决视频奖励优化中的“运动崩溃”问题，在保持视觉质量的同时提高了动态指标。
-
VideoAWR 方法通过解耦强化学习来增强视频生成模型
研究人员推出了一种新颖的视频流模型增强方法 VideoAWR，该方法解决了生成模型中强化学习的冷启动病态问题。VideoAWR 将采样过程与优化锚点解耦，使用引导式 rollout 实现奖励可分离性，并使用无引导条件锚点进行策略校正。这种方法确保了在无分类器引导 (CFG) 和启用 CFG 的两种模式下，优化都稳定，视觉和运动质量都得到提高，并且推理运行时是单分支且无 CFG 的。该方法还结合了解耦时间步校正以提高样本效率。
-
AI进展解决视频生成一致性和速度问题
近期在AI驱动的视频生成领域的研究侧重于提高一致性和效率。ContextAnyone通过将参考图像视为共享扩散Transformer中的显式锚点来解决角色一致性问题，防止嘈杂的视频特征影响身份保持。FlashRender通过表示对齐和均值流目标来加速生成式视频渲染，以显著降低的采样成本实现高质量合成。Temporal Context Routing (TCR) 通过精确对齐脚本时间与时间轴来增强脚本驱动的音频-视频生成，大幅减少镜头切…
-
新方法LoSA和HEART加速视频扩散Transformer
研究人员开发了两种新方法LoSA和HEART，通过优化稀疏注意力机制来加速视频扩散Transformer。LoSA通过识别和移除冗余的注意力交互，在无需重新训练的情况下保持近乎无损的保真度，从而实现显著的加速。HEART利用注意力中的头部异质性，在去噪步骤中重用稳定的稀疏掩码，并根据误差敏感性校准阈值，以进一步提高效率。这两种方法都旨在改善视频生成任务的速度-质量权衡，而无需重新训练模型。
-
新的Causal-rCM配方加速了自回归视频扩散
研究人员推出了一种新颖的自回归视频扩散蒸馏开放配方Causal-rCM。该框架统一了teacher-forcing和self-forcing范式，以增强流式视频生成和交互式世界模型。Causal-rCM利用连续时间一致性模型和自定义FlashAttention-2内核，实现了比以往方法快10倍的收敛速度。该方法在视频生成方面展示了最先进的性能，一个蒸馏的2步因果Wan2.1-1.3B模型在使用最少采样步数的情况下，在VBench-T2…
-
新基准和框架推动视频世界建模发展
研究人员推出了“ImageTime”，这是一个旨在评估图像生成模型理解和表示时间变化能力的新基准。该基准通过要求模型生成一个动作的四个有序关键状态来评估时空一致性，超越了单一图像质量指标。此外，还开发了一个名为BiWM的新框架，利用双向自回归来推进开源交互式视频世界模型，旨在提高生成质量和推理速度。另一篇论文提出了一种用于视频世界模型的“潜在空间记忆”，将场景信息直接存储在扩散潜在空间中，从而显著加快生成速度并减小内存占用。