以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
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
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...