因果强制：高质量实时交互式视频生成的自回归扩散蒸馏
计算机视觉与模式识别
2026-05-22 v3
摘要
为实现实时交互式视频生成，当前方法将预训练的双向视频扩散模型蒸馏为少步自回归 (AR) 模型，面临在完全注意力替换为因果注意力时的架构鸿沟。然而，现有方法未从理论上弥合这一鸿沟。它们通过 ODE 蒸馏初始化 AR 学生，要求帧级单射性——即每个噪声帧在 AR 教师的 PF-ODE 下必须唯一映射到干净帧。从双向教师蒸馆 AR 学生违反了此条件，导致无法恢复教师的流图，从而诱导条件期望解，进而降低性能。为此，我们提出因果强制 (Causal Forcing) 方法，采用自回归教师进行 ODE 初始化以弥合架构鸿沟，然后沿用 Self Forcing 中的相同 DMD 步骤。实验结果显示，我们的方法在所有指标上均优于所有基线，相较于 SOTA Self Forcing 在 Dynamic Degree 提升 19.3%，在 VisionReward 提升 8.7%，在 Instruction Following 提升 16.7%。项目页面：https://thu-ml.github.io/CausalForcing.github.io/；代码：https://github.com/thu-ml/Causal-Forcing。
引用
@article{arxiv.2602.02214,
title = {Causal Forcing: Autoregressive Diffusion Distillation Done Right for High-Quality Real-Time Interactive Video Generation},
author = {Hongzhou Zhu and Min Zhao and Guande He and Hang Su and Chongxuan Li and Jun Zhu},
journal= {arXiv preprint arXiv:2602.02214},
year = {2026}
}
备注
Project page and the code: \href{https://thu-ml.github.io/CausalForcing.github.io/}{https://thu-ml.github.io/CausalForcing.github.io/}; https://github.com/thu-ml/Causal-Forcing. ICML 2026