长视频生成

自回归视频扩散模型在长时域自滚动生成中，误差累积会导致颜色漂移、运动停滞和视觉崩溃。现有attention sink方法可以缓解但无法根除这一问题。FreqForcing从频域角度揭示了问题的本质——低频能量漂移，并提出频谱自锚定（SSA）技术，通过双分支注意力与频域融合显式校正频谱能量。在VBench-Long基准上，FreqForcing在60秒和120秒生成中均取得最优的动态程度和整体一致性，且仅增加约16.5%的推理延迟。需要注意的是，SSA的超参数需手动调节以平衡一致性与多样性，且方法目前仅在Wan2.1-T2V-1.3B和Self-Forcing上验证。