视频生成任意步采样不降质
推荐指数 72.0 NO. 023 · 2026.05.15
upvotes75comments1
为什么值得看
AnyFlow 提出了一种新的视频扩散蒸馏框架，通过流图迁移学习和反向仿真技术优化完整 ODE 采样轨迹，解决了传统一致性蒸馏模型在增加采样步数时性能反而下降的问题。对需要实时或低延迟视频生成的场景（如直播、交互式应用）有直接价值，不再需要在速度和质量之间做艰难权衡。
媒体预览
编辑判断
一致性蒸馏的老毛病是步数越多家伙越差——你用 4 步还行，加到 8 步反而糊了，这让实际部署很尴尬。AnyFlow 的 trick 在于用 on-policy 的方式学流图转移，本质上是在训练时就模拟多步采样的真实分布，而不是像 LCM 那样只逼近两步终点。
从论文指标看，AnyFlow 在 1-8 步区间都保持了稳定的 FVD 提升，没有倒挂现象。不过要注意，这个方法需要预训练一个教师模型的完整轨迹，训练成本比标准 CD 高不少。代码和模型权重尚未开源，想跟进的团队可以先复现它的 backward simulation 部分，核心改动应该在 noise scheduler 和损失权重设计上。