HuggingFace社区论文AdaState提出自演化锚点，提升流式视频生成动态性
原帖
**AdaState：面向流式视频生成的自演化锚点**
_AdaState: Self-Evolving Anchors for Streaming Video Generation_
> 本文针对自回归视频扩散模型中静态锚点（第一帧）限制视频动态性和场景演进的问题，提出一种自适应状态（AdaState）方法。该方法用随生成过程同步去噪的隐式潜变量替换静态锚点，使模型能通过关注前一状态和当前内容生成动态锚点。核心创新在于将时间视为相对概念，引入循环机制，无需外部模块即可提升视频的运动丰富性和场景自然进展。实验表明，AdaState显著改善了视频动态性。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-29 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.30349)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
2026年5月29日，HuggingFace Daily Papers社区热门论文介绍了AdaState方法。该方法针对自回归视频扩散模型中静态锚点限制视频动态性的问题，提出用自适应状态替换静态锚点，通过引入循环机制提升视频的运动丰富性和场景自然进展。
答案说明
AdaState是HuggingFace社区论文提出的一种用于流式视频生成的方法，通过用自适应状态替换静态锚点，并引入循环机制，旨在提升视频的运动丰富性和场景自然进展。
这篇帖子回答的问题
- AdaState方法解决了自回归视频扩散模型中的什么问题？
- AdaState方法的核心创新是什么？
核心观点
- AdaState用随生成过程同步去噪的隐式潜变量替换静态锚点，生成动态锚点。
- 论文的实验表明，AdaState显著改善了视频动态性。
FAQ
- Q: AdaState方法有什么效果？
- A: 根据论文，AdaState方法显著改善了视频的动态性，提升了运动丰富性和场景自然进展。
关键实体
- AdaState
- 自回归视频扩散模型
- HuggingFace Daily Papers