Ruopeng Gao, Yukun Huang, Jiarui Hu, Shuai Wang, Wenbo Hu, Ying Shan, Limin Wang · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29989 · open-access PDF
Авторегрессивные модели диффузии видео генерируют видео частично, но создание правдоподобных продолжений не гарантирует, что они запечатлевают, как эволюционируют сцены. Под принуждением учителя, сильная временная редукция может позволить локальному визуальному непрерывности служить штрихом для текущего деноза, уменьшая давление на визуальную эволюцию модели. Мы вводим предсказание будущего деноза (FCP), вспомогательный объект, совместно оптимизированный с принудительным денозацией учителя, который предсказывает временные разделенные части без доступа к вмешивающемуся визуальному контексту.
Machine translation (Meta M2M100); the English original follows.
Autoregressive video diffusion models generate videos chunk by chunk, yet producing plausible continuations does not guarantee that they capture how scenes evolve. Under teacher forcing, strong temporal redundancy may allow local visual continuity to serve as a shortcut for current-chunk denoising, reducing the pressure to model visual evolution. We introduce Future Chunk Prediction (FCP), an auxiliary objective jointly optimized with teacher-forced denoising that predicts temporally separated chunks without access to the intervening visual context. Drawing supervision directly from training v
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.29989, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange