高效RL框架对齐蒸馏视频模型与人类偏好

通过关系注意力机制显式绑定人脸-属性，实现精准多主体视频定制

DynaEdit：免训练视频编辑方法，支持修改动作、插入交互物体、改变全局效果

EgoForge 仅凭单张自我中心图像+高层指令+可选外中心图，生成目标驱动的连贯第一人称视频

融合显式3D与隐式注意力的Patch级混合空间记忆机制

视频扩散模型的推理沿去噪步骤展开，而非跨帧进行

用相机位姿统一动作控制与3D一致性，构建交互式游戏世界模型

首尔世界模型：用街景图像检索增强，实现真实城市级别的世界模拟视频生成

统一视频扩散框架，实现场景、多视角主体和运动的解耦控制

通过混合扩散和对抗训练实现少步轨迹可控视频生成，质量与精度双提升

用预训练视频模型激活复原先验，仅需1K样本实现少样本图像复原

通过多智能体问答框架实现视频生成的评估与迭代优化

提出Plan-then-Control框架，用VLM自动规划电影级相机轨迹，实现多镜头视频精准控制

统一框架实现多主体身份保持与全方位运动控制，通过潜在空间强化学习优化身份保真度

提出ELIT机制，通过可变长度潜在接口实现扩散变换器的弹性计算分配和多预算推理

通过内容自适应的token分配，在保持重建质量的同时节省24%以上的视频token开销

用 Doob h-变换把粗引导信号注入扩散采样，无需训练和前向算子。

多智能体竞争框架自动生成1-2分钟喜剧小品视频

通过误差感知路由和无参数线性补偿，高效加速视频扩散Transformer注意力计算

对角蒸馏实现31FPS实时视频生成，加速277倍