全部
全部

选一篇,慢慢读

从左侧挑一篇,正文会在这里排成书页。

文章与公开阅读资产

JVT:纯视频 Transformer 让像素空间视频扩散变简单

Direct diffusion modeling of high-dimensional raw video data is challenging, and existing pixel-space methods often rely on specialized architectures. We introduce JVT (Just Video Transformer), a simple large-patch DiT-style Transformer for pixel-space video diffusion, without a pretrained autoencoder, auxiliary detail

阅读原文 · Jianjun Zhou, Hua Geng, Haoyu Guo

乔木风格重写

向阳乔木 · opencode-go/deepseek-v4.1-flash

视频生成这条路上,大家默认要先训一个自编码器,把视频压到潜空间里再去扩散。这篇论文偏不,它直接在高维像素上做扩散,还只用了一个朴素的 DiT 式 Transformer。 JVT 想证明的是:像素空间视频扩散不需要那么多辅助设计。 没有预训练自编码器,没有额外的细节修复网络,没有级联多阶段,也没有 U-Net 式跳连。听起来像是把一堆工程技巧都砍掉了,只留下...

  • JK下一篇 / 上一篇
  • S收藏
  • A问 AI
  • I沉浸阅读
  • Esc退出