视频扩散模型能否预测过去帧？基于双向循环一致性的可逆插值
摘要
视频帧插值旨在在给定的端点之间合成符合特定运动语义的真实中间帧。虽然最近的生成模型在视觉保真度方面取得了进展，但它们主要以单向方式运行，缺乏自我验证时序一致性的机制。这会导致运动漂移、方向歧义和边界错位，尤其在长序列中更为明显。灵感来自自监督学习中时序循环一致性原理，我们提出一种新型双向框架，通过强制前向和后向生成轨迹之间的对称性来实现这一目标。我们的方法引入可学习的方向标记，显式地将其条件化于共享的主干网络，以 temporal orientation，使模型能够在单个统一的架构中联合优化前向合成和后向重建。这种循环一致性监督作为强大的正则化器，确保生成的运动路径是逻辑可逆的。此外，我们采用课程学习策略，从短序列到长序列逐步训练模型，稳定不同持续时间下的动态行为。 Crucially, our cyclic constraints are applied only during training; inference requires a single forward pass, maintaining the high efficiency of the base model. Extensive experiments show that our method achieves state-of-the-art performance in imaging quality, motion smoothness, and dynamic control on both 37-frame and 73-frame tasks, outperforming strong baselines while incurring no additional computational overhead.
引用
@article{arxiv.2604.01700,
title = {Can Video Diffusion Models Predict Past Frames? Bidirectional Cycle Consistency for Reversible Interpolation},
author = {Lingyu Liu and Yaxiong Wang and Li Zhu and Zhedong Zheng},
journal= {arXiv preprint arXiv:2604.01700},
year = {2026}
}