arXiv cs.AI· Nan Wu, Yee Hung Hong·· 3 天前AI 评分21
AcrossVAM2.0：面向参数高效视频扩散适配的冲突感知点监督
AcrossVAM2.0: Conflict-Aware Point Supervision for Parameter-Efficient Video Diffusion Adaptation
AI 导读
AcrossVAM2.0 在 5.01B 参数的文本到视频扩散 Transformer 上，用置信度加权轨迹与可见性头、零初始化残差反馈和非对称 PCGrad，在共享 LoRA 参数上只移除与主 flow-matching 梯度冲突的辅助分量。
正文 · AI 翻译
摘要：显式点对应对于适配视频生成器很有吸引力：它描述了可见表面如何运动，但可能会覆盖大型预训练模型所学到的外观先验。我们在一个 5.01B 参数的文本到视频扩散 transformer 中研究这一张力。ACROSSVAM2.0 结合了置信度加权的轨迹与可见性头、零初始化的残差反馈，以及非对称 PCGrad，后者仅移除在共享 LoRA 参数上与主 flow-matching 梯度相反的辅助分量。该设计在初始化时精确保留生成器，并在适配过程中保护其主更新。在四路消融实验中，训练 1,000 步并使用三个独立随机种子，完整方法在全部三个种子中相对于匹配的仅 flow 续训降低了 KLT 前向-后向循环误差（种子级平均差 -0.00711，SD 0.00505），同时稳健锐度在全部三个种子中保持为正。扩展的 24 提示评估（216 个视频）相比匹配对照实现了 9.7% 更低的聚合 CoTracker3 循环误差，并在六个 VBench 维度上表现接近匹配；然而，种子级跟踪效果存在异质性，且 I3D-FVD 从 0.1824 退化到 0.2022。这些结果支持一个有界的主张：冲突感知适配在不造成广泛感知退化的情况下改善对应一致性，但并未统一提升视频质量。我们发布方程、伪代码、匹配输出、源表和工件溯源。
| 评论： | ICLR 会议 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.14693 [cs.AI] |
| （或 arXiv:2610.14693v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14693 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Nan Wu [查看电子邮件]
[v1]
2026 年 10 月 10 日星期六 08:12:08 UTC（4,164 KB）
来源：arXiv cs.AI · arxiv.org