FastSTAR：用于高效自回归视频合成的时空token剪枝
计算机视觉与模式识别
2026-03-10 v1
摘要
视觉自回归建模（VAR）已成为扩散框架中一种高效替代方案，实现了与扩散方法相当的合成质量。然而，当VAR范式扩展到视频生成的时空自回归建模（STAR）时，分辨率和帧数的不断提升导致“token爆炸”，在最终精炼阶段形成巨大的计算瓶颈。为此，我们提出FastSTAR——一个针对高质量视频生成设计的无训练加速框架。我们的核心方法时时空token剪枝，通过整合两个专门术语来识别关键token：（1）空间相似性，评估在层次尺度上的结构收敛情况，以跳过进一步精炼冗余的区域；（2）时空相似性，通过评估相对于前一帧的特征层级变化来识别活跃运动轨迹。结合局部更新机制，FastSTAR确保仅精炼未收敛的区域，维持流畅运动的同时跳过冗余计算。在InfinityStar上的实验结果表明，FastSTAR实现了最高可达2.01倍的加速，PSNR达到28.29，性能 degradation 小于1%，为STAR基视频生成展现出卓越的效率-质量权衡。
引用
@article{arxiv.2603.07192,
title = {FastSTAR: Spatiotemporal Token Pruning for Efficient Autoregressive Video Synthesis},
author = {Sungwoong Yune and Suheon Jeong and Joo-Young Kim},
journal= {arXiv preprint arXiv:2603.07192},
year = {2026}
}