流式视频编辑不再需要反演:AR-Edit 只缓存一次源视频的值特征,就能边到帧边改
AR-Edit 让自回归视频扩散模型在帧到达时直接编辑,不必先看完整段视频,也不必做反演。它利用一个观察:在这类经 DMD 蒸馏的模型中,自注意力的查询和键随去噪步数基本不变,只有值随内容变化,因此一次干净前向传播缓存的值就足以锚定源视频外观。在 Reward Forcing 骨干上,它从随机噪声出发、每块 6 次网络评估,源保持得分 7.28,高于反演基线 Inv, Inv, 的 4.93(后者需 9 次评估)。