**V-RAE:重新思考视频生成中的潜在空间**

_V-RAE: Rethinking Video Latent Spaces for Generation_

> HuggingFace社区热门论文提出V-RAE,一种基于冻结视觉基础模型的视频表示自编码器。该方法通过轻量级时间池化模块去除时间冗余,构建紧凑且语义丰富的生成式潜在空间。在K600数据集上达到2.13 rFVD,优于所有评估的大规模预训练视频VAE;生成任务gFVD分别达117.86(UCF101)和19.16(K600),收敛速度提升6倍。研究还提出tFVD指标,证明重建质量不足以表征生成能力。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:ai-models
- **发布时间**:2026-08-19 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2608.13556)