视频大模型

Echo-Forcing: A Scene Memory Framework for Interactive Long Video Generation

回声驱动：一种用于交互式长视频生成的场景记忆框架

Mingqiang Wu, Weilun Feng, Zhefeng Zhang, Haotong Qin, Yuqi Li, Guoxin Fan, Xiaokun Liu, Zhulin An, Libo Huang, Yongjun Xu, Chuanguang Yang

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China（中国科学院人工智能安全国家重点实验室，计算技术研究所，北京，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） ； China University of Mining & Technology, Beijing（中国矿业大学（北京）） ； ETH Zürich（苏黎世联邦理工学院） ； City College of New York, City University of New York（纽约城市学院，纽约城市大学） ； Xiamen Institute of Data Intelligence, Xiamen, China（厦门数据智能研究院，厦门，中国） 纠错

专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；video diffusion(abstract)；分类 cs.CV

AI总结 本文提出Echo-Forcing框架，通过分层时间记忆、场景回溯帧和差分记忆衰减机制，解决长视频生成中历史KV状态的函数纠缠问题，实现交互式视频生成的流畅过渡与长距离场景回溯。

Pixel-to-4D: Camera-Controlled Image-to-Video Generation with Dynamic 3D Gaussians

像素到4D：通过动态3D高斯进行相机控制的图像到视频生成

Melonie de Almeida, Daniela Ivanova, Tong Shi, John H. Williamson, Paul Henderson

机构 * University of Glasgow（格拉斯哥大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出一种基于动态3D高斯的图像到视频生成框架，通过单次前向传递构建3D场景表示并采样合理物体运动，实现高效且可控的视频生成，实验表明其在多个数据集上均达到SOTA视频质量和推理效率。

DiLA: Disentangled Latent Action World Models

DiLA：解耦的潜在动作世界模型

Tianqiu Zhang, Muyang Lyu, Yufan Zhang, Fang Fang, Si Wu

机构 * Peking-Tsinghua Center for Life Sciences, Academy for Advanced Interdisciplinary Studies, IDG/McGovern Institute for Brain Research, Peking University（北京大学-清华生命科学中心，先进跨学科研究院，IDG/麦克戈文脑科学研究院，北京大学） ； Center of Quantitative Biology, Peking University（北京大学定量生物学中心） ； School of Psychological and Cognitive Sciences, Key Laboratory of Machine Perception (Ministry of Education), Peking University（心理与认知科学学院，机器感知重点实验室（教育部），北京大学） 纠错

专题命中 视频生成 ：video generation(abstract)；分类 cs.CV

AI总结 DiLA通过内容-结构解耦解决动作抽象与生成保真度的平衡问题，实现高质量视频生成和动作迁移。

Comments Project Page: http://disentangled-latent-action-world-models.github.io