近期我们针对视频生成的前沿成果进行了深度整合，从中筛选出19篇很有参考价值的论文，收录了CVPR、ICCV、AAAI、ICASSP等顶会顶刊上的相关工作，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「视频生成 」
免费获取全部论文合集及项目代码
ConsID-Gen: View-Consistent and Identity-Preserving Image-to-Video Generation
内容：
本文从数据与模型两个层面解决图生视频中视角变化下物体身份漂移、几何畸变问题：构建大规模以物体为中心的ConsIDVid数据集，搭建ConsIDVid‑Bench多视角一致性评测基准；提出视角辅助的ConsID‑Gen图生视频框架，为首帧补充无位姿辅助视图，借助双流视觉‑几何编码器与图文连接器融合语义和结构信息，为Diffusion Transformer主干提供统一条件输入，在自建基准上取得优于主流视频生成模型的效果。
StreamDiffusionV2: A Streaming System for Dynamic and Interactive Video Generation
本文提出无需额外训练的交互式直播视频生成系统StreamDiffusionV2，融合SLO感知批调度器、块调度器、sink‑token引导的滚动KV缓存与运动感知噪声控制器等系统优化手段，设计可扩展流水线编排，在去噪步骤与网络层上对扩散过程做并行处理，在异构GPU环境下实现近乎线性的帧率扩展，支持灵活去噪步数，兼顾超低延迟与生成质量，在四卡H100上实现0.5秒首帧生成与高帧率实时视频生成效果。
扫描下方二维码，回复「视频生成 」
免费获取全部论文合集及项目代码
DynamicFace: High-Quality and Consistent Face Swapping for Image and Video using Composable 3D Facial Priors
内容：
本文提出DynamicFace换脸方法，基于扩散模型与即插即用的自适应注意力层，利用3D面部先验构建四种相互解耦的细粒度面部条件，借助Face Former与ReferenceNet分别完成高层与细节层面的身份特征注入，可同时适配图像与视频换脸任务，在FF++数据集上实现了高质量生成、身份保留与表情保真的最优效果。
Sparse VideoGen2: Accelerate Video Generation with Sparse Attention via Semantic-Aware Permutation
内容：
本文提出无需训练的SVG2稀疏注意力框架，借助k‑means实现语义感知置换，依据语义相似度对token聚类重排以提升关键token识别精度、将分散关键token聚拢减少GPU计算浪费，结合基于聚类质心的Top‑p动态算力预算控制、质心缓存加速k‑means运算与支持动态块尺寸的定制注意力内核，在HunyuanVideo、Wan2.1等视频DiT模型上实现最高2.30倍的端到端加速，达成生成质量与推理效率的帕累托最优权衡。
扫描下方二维码，回复「视频生成 」
免费获取全部论文合集及项目代码
