Back to Pixels: Lifting Latent Video Diffusion into Pixel Space 封面
HuggingFace
论文

Back to Pixels: Lifting Latent Video Diffusion into Pixel Space

Frontier video generation models work in a VAE latent space that compresses video in both space and time. This compression made training tractable, but now limits high-resolution, controllable, and interactive generatio…

来源:HuggingFace Papers收录于 2026年11月16日

站内导读

中文

定位:一篇视频生成论文,题为《Back to Pixels》。前沿视频生成模型工作在 VAE 潜空间里,在空间与时间上同时压缩视频;这种压缩让训练变得可行,却也限制了高分辨率、可控与交互式生成,本文主张把潜空间视频扩散「抬回」像素空间。

核心能力

  • 指出潜空间压缩在高分辨率、可控性、交互性三方面的上限来源。
  • 提出将 latent video diffusion 提升到 pixel space 的路线,绕开 VAE 压缩瓶颈。
  • 讨论面向高分辨率与交互式生成的建模取舍。

适用人群:做视频扩散模型、生成式视频与世界模型的研究者与工程师。

注意:本文为 HuggingFace Papers 收录的预印本,具体架构与实验结果以原文为准。

相关项目 · HuggingFace

查看全部「HuggingFace」项目 →