diffusion-forcing-transformer

收录理由

Diffusion Forcing Transformer（DFoT）是ICML 2025论文《History-Guided Video Diffusion》的官方PyTorch实现，它直面视频生成中一个很实际的问题：到底该用多少帧上下文来引导生成。这个模型不挑输入，任意数量的上下文帧都能接受，所以同一套权重既能拿一张静态照片生成动态视频，也能把一段短片续写得更长，还能在两段相隔较远的画面之间做插值。随代码一起发布的History Guidance方法，在生成长序列时能稳住时间一致性和运动质量，而长视频的稳定生成恰恰是很多视频模型容易翻车的地方。仓库提供了预训练权重和详细的开发文档，复现结果不费劲；HuggingFace Spaces上还有浏览器演示，不用先烧GPU就能上手试玩。需要说明的是，这毕竟是一份研究代码，不是打磨好的产品，训练部分得自己搭环境，但用现成权重跑推理是很顺畅的。