DiffVC-ONE 推出基于 Video DiT 的单步视频扩散压缩

arXiv 发布了 DiffVC-ONE 的论文——一种基于单步 Video Diffusion Transformer 的生成式视频压缩框架。作者声称包含三个组件：Unified Unidirectional Latent Compressor 用于压缩潜在切片，One-Step Diffusion Enhancer 用于在单步内对整个帧组进行时空增强，以及 Hybrid Condition Generator，用于提取结构、力和语义条件。据作者描述，在标准基准上达到了 state-of-the-art 级别的感知质量和时间一致性，同时推理成本较低。作者未公开代码。

这意味着什么

这项工作属于视频压缩领域，而非基于文本或视觉提示的生成，因此与 视频生成器部分 中的工具仅间接相关——通过共同的架构基础 Video Diffusion Transformer。 在我们的参数表中，架构上最接近的是 LTX-Video：其仓库标记为 dit 标签，作者将其描述为基于扩散的生成器。然而，LTX-Video 解决的是 image-to-video 任务，而非压缩，其参数表中也没有任何用于潜在压缩或单步增强的组件。CogVideoX（智谱 CogVideoX） 和 Pyramid Flow（快手 Pyramid Flow） 是 text-to-video 生成器，与视频压缩任务无关。 目前 DiffVC-ONE 与我们的指南没有实际交集：没有代码，任务不同，我们描述的任何工具都不解决生成式视频压缩问题。如果作者发布实现，可以再回来比较内存要求和速度，但目前这只是一项没有可用代码的研究工作。