Pusa V1.0：基于向量化时间步适应解锁预训练视频扩散模型中的时间控制

视频扩散模型的快速发展受到时间建模中的根本性限制，尤其是由常规标量时间步变量强制执行的帧演化同步问题。虽然任务特定的适应和自回归模型试图解决这些挑战，但仍受计算效率低下、不可逆遗忘或适用范围狭窄的制约。本文提出了 \textbf{Pusa} V1.0，一种利用 \textbf{向量化时间步适应（VTA）} 实现统一视频扩散框架内精细时间控制的通用模型。值得注意的是，VTA 是一种非破坏性的适应方式，这意味着它完全保留了基础模型的能力。与 Wan-I2V 等常规方法不同，后者通过大量资源对基础文本到视频（T2V）模型进行微调以实现图像到视频（I2V），我们仅通过基于 VTA 的超高效微调即可以零样本方式获得相当效果。此外，该方法还同时解锁了许多其他零样本能力，如起始-结束帧和视频扩展——无需任务特定训练。同时保留了基础模型的 T2V 能力。机制分析还表明，我们的方法在保留基础模型生成先验的同时，通过手术式注入时间动力学，避免了向量化时间步所固有的组合爆炸问题。这一工作为下一代视频合成树立了可扩展、高效且通用的范式，使研究和行业 alike 都能实现高保真度视频生成。