滚动沉箱：桥接自回归视频扩散模型的有限视角训练与开放式测试
计算机视觉与模式识别
2026-05-05 v6
摘要
最近，自回归（AR）视频扩散模型取得了显著进展。然而，由于其训练时长有限，在测试更长时程时会出现训练-测试鸿沟，导致视觉质量快速下降。遵循Self Forcing（研究训练时长内的训练-测试鸿沟）的工作，本文聚焦于训练时长之外的训练-测试鸿沟，即在训练时使用的有限视角与测试时使用的开放式视角之间的差距。由于开放式测试可超越任何有限训练窗口，而长视频训练计算成本高，我们 pursue一种训练-free解决方案来桥接这一鸿沟。为探索训练-free解决方案，我们对AR缓存维护进行系统性分析。这些洞察导致了滚动沉箱（Rolling Sink）。基于Self Forcing（仅在5秒片段上训练），滚动沉箱有效地将AR视频合成扩展到超长时程（例如5-30分钟，16 FPS），在测试时保持一致的主体、稳定的颜色、连贯的结构和平滑的运动。通过大量实验，滚动沉箱在长时程视觉保真度和时间一致性方面优于SOTA基线。项目页面：https://rolling-sink.github.io/
引用
@article{arxiv.2602.07775,
title = {Rolling Sink: Bridging Limited-Horizon Training and Open-Ended Testing in Autoregressive Video Diffusion},
author = {Haodong Li and Shaoteng Liu and Zhe Lin and Manmohan Chandraker},
journal= {arXiv preprint arXiv:2602.07775},
year = {2026}
}
备注
Figures were compressed to 150 dpi to comply with arXiv's submission size limit. Project page: https://rolling-sink.github.io/