💡 站外导读：视频生成技术正从离线渲染迈向实时交互时代，但现有模型常面临质量、速度与可控性难以兼顾的困境——自回归模型因果性好但速度慢，扩散模型保真度高却缺乏时序控制。北大与微软提出的Next-Frame Diffusion（NFD）直击这一行业痛点，创新融合扩散模型与因果注意力机制，首次在自回归框架下实现超过30FPS的实时高保真视频生成，为游戏、VR、自动驾驶等实时交互应用开辟全新可能。

Next-Frame Diffusion（NFD）是北京大学和微软研究院联合推出的自回归视频生成模型，结合扩散模型的高保真生成能力和自回归模型的因果性和可控性。Next-Frame Diffusion基于块因果注意力机制（Block-wise Causal Attention）和扩散变换器（Diffusion Transformer）实现高效的帧级生成。模型在保持视频质量和连贯性的同时，实现超过30FPS的实时视频生成。模型引入、一致性蒸馏（Consistency Distillation）和推测性采样（Speculative Sampling）等技术，进一步提升采样效率。模型在大规模动作条件视频生成任务中表现出色，显著优于现有方法。

Next-Frame Diffusion的主要功能

• 实时视频生成：支持在高性能GPU上实现超过30FPS的实时视频生成，非常适合用在需要快速响应的交互式应用，如游戏、虚拟现实和实时视频编辑等场景。
• 高保真视频生成：在连续空间中生成高保真度的视频内容，相比传统的自回归模型，能更好地捕捉细节和纹理。
• 动作条件生成：根据用户的实时操作生成相应的视频内容，在交互式应用中具有极高的灵活性和可控性。
• 长期视频生成：支持生成任意长度的视频内容，适用需要长期连贯性的应用，如故事叙述或模拟环境。

Next-Frame Diffusion的技术原理

• 块因果注意力机制（Block-wise Causal Attention）：模型的核心是块因果注意力机制，结合帧内的双向注意力和帧间的因果依赖。在每个帧内，模型进行双向自注意力操作，捕捉帧内的空间依赖关系。在帧间，模型保持因果性，每个帧只能依赖于之前的帧，确保生成的连贯性和因果一致性。
• 扩散模型与扩散变换器（Diffusion Transformer）：模型基于扩散模型的原理，在逐步去噪的过程生成视频帧。扩散变换器（Diffusion Transformer）是NFD的关键组件，基于Transformer架构的强大建模能力处理视频的时空依赖关系。
• 一致性蒸馏（Consistency Distillation）：为加速采样过程，引入一致性蒸馏技术，将图像领域的sCM（Simplified Consistency Model）扩展到视频领域，显著提高生成速度，保持生成内容的高质量。
• 推测性采样（Speculative Sampling）：用相邻帧动作输入的一致性，提前生成未来几帧。如果后续检测到动作输入发生变化，丢弃推测性生成的帧，从最后一个验证帧重新开始生成，著减少推理时间，提高实时生成的效率。
• 动作条件输入（Action Conditioning）：NFD基于动作条件输入来控制视频生成的方向和内容。动作输入可以是用户的操作指令、控制信号或其他形式的条件信息，模型根据输入生成相应的视频帧。

Next-Frame Diffusion的项目地址

• 项目官网：https://nextframed.github.io/
• arXiv技术论文：https://arxiv.org/pdf/2506.01380

Next-Frame Diffusion的应用场景

• 游戏开发：模型根据玩家操作实时生成动态的游戏环境，提升游戏体验。
• 虚拟现实（VR）和增强现实（AR）：模型实时生成虚拟场景，为VR和AR应用提供沉浸式体验。
• 视频内容创作：模型生成高质量视频内容，适用广告、电影和电视剧制作。
• 自动驾驶和机器人：生成自动驾驶车辆或机器人在不同环境下的行为和场景，用在训练和测试。
• 教育和培训：生成虚拟实验环境，帮助学生进行科学实验和学习。