**MilliVid：层次化潜变量实现视频生成长程一致性**

_MilliVid: Hierarchical Latents for Long-Range Consistency in Video Generation_

> 视频生成模型在长程一致性上仍面临挑战，因为处理数十帧就需要极长的Transformer序列。本文提出了一种多尺度潜变量层次结构：先预训练一个自编码器，将每帧压缩为从粗略到精细的多个层级的token，粗略层级捕捉场景布局和语义，精细层级补充高频纹理。然后训练视频扩散模型，采用从粗到细的逐级展开策略，在保持几何结构和物体持久性的同时，减少对感知重要性较低的细节的长程一致性计算。在长序列Minecraft视频数据集上验证，该方法相比基线模型显著提升了生成视频的一致性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-06-10 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.09056)