VDOT：通过最优传输蒸馏实现高效统一视频创建
计算机视觉与模式识别
2025-12-23 v3
摘要
生成模型的快速发展显著推动了图像和视频应用的发展。在这些应用中，旨在各种条件下生成视频的视频创建受到广泛关注。然而，现有的视频创建模型要么仅聚焦于少数特定条件，要么因复杂模型推理导致生成时间过长，在实际应用中不够实用。为缓解这些问题，我们提出了一种高效统一视频创建模型，命名为 VDOT。具体而言，我们将训练过程建模为分布匹配蒸馏（DMD）范式。除了使用克尔默氏（Kullback-Leibler，KL）最小化外，我们还额外采用一种新型计算最优传输（OT）技术来优化真实与假记得分布之间的差异。OT距离本质上施加了几何约束，缓解了在少数步骤生成场景中可能出现的KL基于蒸馏的零压制或梯度崩溃问题，从而增强了蒸馏过程的效率和稳定性。进一步，我们集成了一个鉴别器，以使模型能够感知真实视频数据，从而提高生成视频的质量。为支持训练统一视频创建模型，我们提出了一个完全自动的视频数据标注和过滤管道，能够容纳多种视频创建任务。同时，我们策划了一个统一的测试基准 UVCBench，以标准化评估。实验表明，我们的4步 VDOT 在100个去噪步骤下表现出色，甚至可以与其他基线相当。
引用
@article{arxiv.2512.06802,
title = {VDOT: Efficient Unified Video Creation via Optimal Transport Distillation},
author = {Yutong Wang and Haiyu Zhang and Tianfan Xue and Yu Qiao and Yaohui Wang and Chang Xu and Xinyuan Chen},
journal= {arXiv preprint arXiv:2512.06802},
year = {2025}
}