**JVT:无需预训练编码器的像素空间视频扩散模型**

_JVT: Just Video Transformer makes pixel-space video diffusion simple_

> 论文提出 JVT(Just Video Transformer),这是一种基于大 patch 的 DiT 风格 Transformer,直接在像素空间进行视频扩散,无需预训练自编码器或复杂的级联结构。该方法在类条件和无条件生成中均能达到与潜在扩散模型相媲美的质量,并支持像素对齐的多模态联合生成(如 RGB-视差),从而在无需额外推理模型的情况下实现显式的场景几何信息。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:ai-models
- **发布时间**:2026-11-16 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2611.18549)