**VideoRAE：利用表示自编码器驯服视频基础模型**

_VideoRAE: Taming Video Foundation Models for Generative Modeling via Representation Autoencoders_

> VideoRAE 提出一种新型表示自编码器，利用冻结的视频基础模型（如 V-JEPA 2）的多尺度特征，通过轻量级投影器压缩为紧凑且支持生成的视频潜在表示。该方法支持连续潜在变量用于 DiT 和离散令牌用于自回归模型，无需 KL 正则化即可实现语义保留。实验表明，VideoRAE 在 UCF-101 数据集上达到 SOTA 性能，收敛速度比基线快约 5 倍，验证了冻结 VFM 表示作为通用生成式视频潜在空间的潜力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-20 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.14088)