视频编辑为何失效？ElasticTTT解决先验崩溃问题
扩散模型在视频编辑中常因测试时微调（TTT）导致先验崩溃，表现为忽略指令或破坏未编辑区域。ElasticTTT通过TDR、Contrastive CFG和Async-NS三大机制，在保留源视频结构的同时实现精准编辑。实验显示其在VLM评估中表现最佳，但需注意超参数敏感性。
扩散模型
扩散模型推理加速：PSP如何通过剪枝超越BoN？
扩散模型的推理时间扩展长期滞后于LLM。本文提出PSP（Progressive Seed Pruning），通过初期大量种子探索与渐进剪枝，解决BoN等方法计算浪费问题。实验显示PSP在GenEval和人类评估中均优于基线，且计算开销极低。注意：PSP依赖奖励模型信号，对细粒度美学优化增益有限。
Texture++：如何用扩散模型修复3D纹理UV接缝伪影？
本文分析了Texture++论文，探讨了如何利用区域感知扩散模型解决3D资产纹理超分辨率中的UV接缝伪影问题。通过自适应视角选择和掩码生成机制，该方法实现了高保真细节恢复。视频将详细解释其核心创新点和实验结果，并指出其局限性。
流式视频生成提速秘诀：Ms. Forcing 如何用多尺度注意力打破延迟瓶颈
传统流式视频生成模型受限于嵌套去噪循环，导致高延迟和不稳定。Ms. Forcing 通过 Multi-Scale Patchification 和 Multi-Scale Self-Attention 适应噪声水平，减少冗余计算。结合 Homogeneous-Noise-Level DMD，解决训练推理失配问题。实验显示其在长视频生成中保持高质量，同时实现实时推理。注意：KV-cache 更新开销可能部分抵消计算增益。
UniD：来自不相关数据的统一视频密集预测
本文介绍UniD模型，解决统一密集预测需共标注数据的痛点。通过训练Task Specialist并利用Latent Projector蒸馏至Unified Backbone，UniD从Disjoint Data中学习深度、法线、语义等八种任务。实验显示，UniD在NYUv2深度估计AbsRel达0.059，超越DINOv3-H；视频时序一致性超越DICEPTION。需注意分割任务需轻量级微调，且时序性能依赖视频训练数据。
RealVDeblur：利用单步扩散与3DGS数据合成实现泛化现实视频去模糊
本文提出RealVDeblur框架，利用3D Gaussian Splatting (3DGS)合成大规模物理真实模糊数据，解决现实世界视频去模糊的泛化难题。通过Frame-wise VAE编码保留帧级模糊细节，利用Distribution Matching Distillation (DMD)将多步扩散蒸馏为单步生成器。引入无需训练的Temporal Window Mask (TWM)限制自注意力范围，消除RoPE外推不稳定性，实现恒定内存的长视频推理。在BSD、RealBlur等基准上验证了有效性，并展示了作为3DGS重建预处理步骤的提升作用。
WorldWeaver：利用世界状态寄存器解决Multi-Agent视频生成的逻辑一致性难题
本文介绍WorldWeaver，一种流式Multi-Agent视频扩散模型。针对现有方法难以维持共享世界状态的问题，引入世界状态寄存器（WSR）和混合Transformer（MoT）。实验显示，在Minecraft任务上WorldScore达105.1，优于Solaris基线。需注意该方法依赖显式状态监督，且WorldScore对FID尺度敏感。
WearWow：原生2K多衣物虚拟试穿，解决显存爆炸与纹理平滑难题
本文介绍WearWow框架，旨在解决虚拟试穿(VTON)在原生2K分辨率及多衣物场景下的显存瓶颈与高频细节丢失问题。通过自适应2D Token打包(ATP)优化显存占用，利用多维试穿奖励(MTR)对齐机制纠正扩散模型的频谱偏差。实验显示，在VITON-HD和自建WearWow-2K数据集上，该方法在FID、LPIPS等指标上优于IDM-VTON、CatVTON及OminiTry等基线，实现了无掩码多衣物的照片级真实感生成。需注意，高分辨率生成涉及深度伪造风险，且MTR训练计算开销较大。
OSVE：基于单步扩散模型的一步视频编辑
本文介绍OSVE框架，旨在解决文本引导视频编辑中速度与质量的矛盾。传统多步方法计算昂贵，直接应用单步模型则导致结构坍塌。OSVE通过可学习的反转编码器和统一帧编辑机制，在单步内完成高质量编辑。实验显示，OSVE在20帧和90帧视频上分别比RAVE快171倍和155倍，且时序一致性显著优于基线。需注意单步模型对控制信号敏感，且长视频处理需依赖滑动窗口策略。
AppearancePointers：DiT多模态区域控制新范式
本文介绍AppearancePointers，一种用于扩散变换器（DiT）的多模态区域控制方法。通过生成紧凑的指针令牌，该方法在单次去噪步骤中实现文本、图像和空间掩码的精确对齐。实验显示其在CLIP-I、DINO-I和MIoU指标上优于MS-Diffusion和InsertAnything等基线。需注意，区域数量过多时性能会下降。