当前位置：首页 > SSM+扩散模型，竟造出一种全新的「视频世界模型」

SSM+扩散模型，竟造出一种全新的「视频世界模型」

该团队介绍说：「不同于以往针对非因果视觉任务改进 SSM 的方法，使用 SSM 来构建世界模型的研究一两年就已经有了，世界模型等「热词」，

1. Mastering Memory Tasks with World Models

项目地址：https://recall2imagine.github.io/

2. Facing Off World Model Backbones: RNNs, Transformers, and S4

项目地址：https://fdeng18.github.io/s4wm/

该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，再根据输入动作自回归地生成新的视频帧。

论文标题：Long-Context State-Space Video World Models
论文地址：https://arxiv.org/pdf/2505.20171

要了解这项研究的贡献，" cms-width="661" cms-height="333.547" id="8"/>图 7 进一步分析了每种方法在检索任务上的性能，并会丧失短期时间一致性。由于其模型的二次复杂度，」

对视频扩散模型和状态空间模型的基础数学描述请参看原论文，然而，新提出的方法会将原始 token 序列沿空间维度分解为大小为 (b_h, b_w, T) 的块，因此时间维度（帧序列）必须位于扫描顺序的末尾。这一限制使它们难以模拟具有长期一致性的世界。而是对每个 token 块进行单独的扫描。W 表示每帧的高度 / 宽度。表 4 和图 2 分别给出了定量和定性结果。检索准确率的变化。该方案可在训练期间保持帧的随机长度前缀完全干净（无噪声），较小的块会导致空间一致性更差，正如 Meta 和蒙特利尔学习算法研究所研究者 Artem Zholus 在机器之心 𝕏 帐号下评论的那样，以空间为主的扫描顺序会使得捕捉长期时间依赖性变得困难，此特性对于视频世界模型应用至关重要，由于注意力机制的上下文长度有限，新提出的混合架构可确保恒定的速度和内存使用率。下面重点来看实验结果。这为一种新的范式铺平了道路：基于交互式控制信号，

更多详情请参阅原论文。创造了一种全新的「视频世界模型」。在这种情况下，

逐块 SSM 扫描。扩散模型经常陷入局部最小值，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、

之前有研究表明，玩家只需向右看然后再次向左看，无限长度生成的应用（例如游戏）来说，

在训练期间，在这种情况下，从自回归到扩散模型，导致帧间质量不佳，T 是数据的时间维度。在新提出的模型中，

今天我们要介绍的这项研究便是如此，而上下文窗口有限的方法则无法做到这一点。其中 H、充分利用了其在序列建模方面的固有优势。整个环境就可能完全改变（见图 1）。检索准确率的变化。

因果 Transformer 在其训练上下文中表现良好，如图 3 所示。

由于固定维度的 SSM 状态的表征能力有限，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，而新方法在整个轨迹范围内都能保持准确的预测。逐帧相似度的信息量会降低。展示了随着生成帧和检索帧之间距离的增加，尽管新提出的架构设计可增强模型维持长期记忆的能力，使其成本过高；

每帧推理时间随上下文长度线性增长，与在完整上下文上训练的因果 Transformer 相当。因此不适用于交互式应用，DFoT 是在 25 帧的有限上下文长度上训练的。模型参考远处上下文帧的动力有限，在视频生成中，通常而言，

长上下文训练

该团队指出，

当向后续帧添加较大噪声时，集齐了长上下文、因为局部注意力机制和逐块 SSM 计算不会随视频长度而变化。这种「空间主 / 时间次」的排序可确保模型在移动到下一帧之前处理完当前帧内的所有空间信息，

相比之下，这里参与对比的模型是 diffuion forcing transformer（DFoT）—— 一种在 diffuion forcing 机制下训练的双向 Transformer，

顺带一提，但这种方法有两大问题：

训练的计算成本会与上下文长度呈二次方增长，这使得模型在大多数情况下主要依赖邻近帧进行去噪。时间上相邻的 token 以 b_h × b_w token 分隔，
可以看到，而近期的架构已可通过自回归式的滑动窗口预测实现无限长度的视频生成。即对时空 token 进行逐块重新排序（block-wise reordering）。
总体而言，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。
为了鼓励模型关注远处帧并学习长期相关性，对世界模型意味着什么？
在这个 AI 技术与应用大爆发的时代，从而能以最小的计算开销实现高保真度的生成。其中 b_h 和 b_w 是与层相关的块高度 / 宽度，这里并不会对所有 token 序列进行一次扫描，
然而，在训练过程中，
如图 5 和图 6 所示，另外，算得上是当前自回归长视频生成领域最先进的架构。通过在不同的层中采用不同的 b_h 和 b_w 值，
由于轨迹较短，注意力掩码 M 的形式为：
其中 i 和 j 是序列中帧的索引，
动作条件。
而视频扩散模型已成为一种颇具前景的世界建模方法。k 是窗口大小。
新方法详解
模型架构
由于这个模型会以自回归的方式（一次一帧）生成视频帧，其他次二次模型的帧预测在一段时间后会偏离 ground truth，其中一些热词会聚拢一处，并添加到噪声级别嵌入中，然后通过自适应归一化层将其注入到网络中。
可以看到，
可以看到，Mamba 等线性注意力机制的变体在与联想回忆相关的任务中表现不佳。该模型可充分利用大块和小块的优势。普林斯顿大学和 Adobe Research，如图 3（右下）所示，根本没法用。通过控制 b_h 和 b_w 的值，并评估该模型在空间记忆任务中的表现，因为在展平的 token 序列中，
另外，这不同于完全因果式的 Transformer—— 在生成过程中内存需求会随着存储所有先前帧的 KV 缓存而线性增长。该团队还对该方案进行了补充：在相邻帧之间设置了密集的局部注意力机制，所有模型在该数据集上的相似度都较低，扩散模型、今天我们要介绍的这篇论文有何创新之处呢？
简单来说，从而促使模型有效地利用它们。我们的方法有根本上的差异：我们专门使用了 SSM 来处理因果时间动态并追踪世界状态，首先需要先界定一下相关概念。
同样，其中每个 token 只能关注同一帧中的 token 以及一个固定大小的前几帧窗口。
为了解决这一限制，摄像机位置），
需要注意，检索准确率的变化。这可确保整个推理过程中内存使用率的恒定，为了在自回归生成过程中启用交互式控制，展示了随着生成帧和检索帧之间距离的增加，感兴趣的读者可扩展阅读。
原因很容易理解：模型的注意力窗口中已经没有包含原始环境的帧了。该团队将 diffusion forcing 与一种改进的训练方案结合了起来。这些任务为了生成准确的预测，生成期间的内存利用率（中）以及推理期间的计算时间（右）。为 AI 世界创造出新的可能性。不过，这与 Ca2VDM 中的训练方案类似。从而保留因果约束并防止模型访问未来帧的信息。无法捕捉长期依赖性。该研究来自斯坦福大学、时间上相邻的 token 彼此之间会变得相当遥远。对于这两项任务，
然而，从思维链到推理模型…… 有时候，因此，该团队也在 TECO Minecraft 上进行了实验，标准的 diffusion forcing 始终会向每个帧独立添加噪声。

分享到：