Flex-Forcing: Towards a Unified Autoregressive and Bidirectional Video Diffusion Model

📌 Flex-Forcing：同時支援自回歸與雙向生成的影片 Diffusion 模型

TL;DR：Flex-Forcing 透過彈性分塊機制，在時間與去噪步驟上同時支援自回歸與雙向產生，提高影片品質與推論速度。

🤔 統一自回歸與雙向生成的挑戰
傳統影片 Diffusion 模型要麼以自回歸方式逐幀生成，速度慢但可控制；要麼以雙向方式一次處理全部幀，速度快但缺乏靈活性。Flex-Forcing 針對這兩種生成規則的差異，提出一套「彈性分塊」機制，讓同一模型在不同時間步與去噪階段切換生成模式。

🧩 彈性分塊機制的核心概念

• 時間分塊：將影片序列切成可變長度的時間區段；每個區段內可選擇自回歸或雙向去噪。
• 去噪步驟分塊：在 Diffusion 的噪聲去除過程中，同樣允許在不同去噪階段切換生成規則。
• 這樣的設計讓模型在保持全域性一致性的同時，仍能針對區域性細節使用自回歸精細化，提升最終影片的視覺品質。

🎯 實務影響與應用前景

• 推論速度：因為可以在大部分時間步使用雙向去噪，只在關鍵區段切換自回歸，減少了逐幀解碼的計算成本。
• 影片品質：雙向模式提供全域性一致性，自回歸模式則強化區域性細節，兩者結合有望在複雜動作或快速變化的場景中取得更佳效果。
• 彈性部署：開發者可根據硬體資源或應用需求，自行設定分塊策略，兼顧效能與品質。

🔗 來源

• 標題：Flex-Forcing: Towards a Unified Autoregressive and Bidirectional Video Diffusion Model
• 連結：https://huggingface.co/papers/2607.03509

#VideoDiffusion #FlexForcing #Autoregressive #Bidirectional #GenerativeAI #MachineLearning #DeepLearning #ComputerVision #TemporalModeling #AIResearch