Buchumschlag

Understanding Attention Mechanism in Video Diffusion Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Bingyan, Wang, Chengyu, Su, Tongtong, Ten, Huan, Huang, Jun, Guo, Kailing, Jia, Kui
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Towards Understanding Cross and Self-Attention in Stable Diffusion for Text-Guided Image Editing
von: Liu, Bingyan, et al.
Veröffentlicht: (2024)

Encapsulated Composition of Text-to-Image and Text-to-Video Models for High-Quality Video Synthesis
von: Su, Tongtong, et al.
Veröffentlicht: (2025)

Zero-to-Hero: Zero-Shot Initialization Empowering Reference-Based Video Appearance Editing
von: Su, Tongtong, et al.
Veröffentlicht: (2025)

Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition
von: Zou, Longkun, et al.
Veröffentlicht: (2025)

VideoCLIP-XL: Advancing Long Description Understanding for Video CLIP Models
von: Wang, Jiapeng, et al.
Veröffentlicht: (2024)

GUS-IR: Gaussian Splatting with Unified Shading for Inverse Rendering
von: Liang, Zhihao, et al.
Veröffentlicht: (2024)

Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers
von: Zou, Longkun, et al.
Veröffentlicht: (2024)

Swap Attention in Spatiotemporal Diffusions for Text-to-Video Generation
von: Wang, Wenjing, et al.
Veröffentlicht: (2023)

MCAM: Multimodal Causal Analysis Model for Ego-Vehicle-Level Driving Video Understanding
von: Cheng, Tongtong, et al.
Veröffentlicht: (2025)

Diffutoon: High-Resolution Editable Toon Shading via Diffusion Models
von: Duan, Zhongjie, et al.
Veröffentlicht: (2024)

Heat Diffusion Models -- Interpixel Attention Mechanism
von: Zhang, Pengfei, et al.
Veröffentlicht: (2025)

Local Features Meet Stochastic Anonymization: Revolutionizing Privacy-Preserving Face Recognition for Black-Box Models
von: Liu, Yuanwei, et al.
Veröffentlicht: (2024)

Realistic Surgical Simulation from Monocular Videos
von: Wang, Kailing, et al.
Veröffentlicht: (2024)

DocLayLLM: An Efficient Multi-modal Extension of Large Language Models for Text-rich Document Understanding
von: Liao, Wenhui, et al.
Veröffentlicht: (2024)

Dynamic Try-On: Taming Video Virtual Try-on with Dynamic Attention Mechanism
von: Zheng, Jun, et al.
Veröffentlicht: (2024)

SurveillanceVQA-589K: A Benchmark for Comprehensive Surveillance Video-Language Understanding with Large Models
von: Liu, Bo, et al.
Veröffentlicht: (2025)

Multimodal Diffusion Transformer with Memory Bank for Scalable Long-Duration Talking Video Generation
von: Zhang, Haojie, et al.
Veröffentlicht: (2024)

VSA: Faster Video Diffusion with Trainable Sparse Attention
von: Zhang, Peiyuan, et al.
Veröffentlicht: (2025)

Long Video Diffusion Generation with Segmented Cross-Attention and Content-Rich Video Data Curation
von: Yan, Xin, et al.
Veröffentlicht: (2024)

Compact Model Training by Low-Rank Projection with Energy Transfer
von: Guo, Kailing, et al.
Veröffentlicht: (2022)

Bidirectional Sparse Attention for Faster Video Diffusion Training
von: Zhan, Chenlu, et al.
Veröffentlicht: (2025)

Active Perception Agent for Omnimodal Audio-Video Understanding
von: Tao, Keda, et al.
Veröffentlicht: (2025)

Generative Model-Based Feature Attention Module for Video Action Analysis
von: Wang, Guiqin, et al.
Veröffentlicht: (2025)

6Bit-Diffusion: Inference-Time Mixed-Precision Quantization for Video Diffusion Models
von: Su, Rundong, et al.
Veröffentlicht: (2026)

Light Forcing: Accelerating Autoregressive Video Diffusion via Sparse Attention
von: Lv, Chengtao, et al.
Veröffentlicht: (2026)

OBS-Diff: Accurate Pruning For Diffusion Models in One-Shot
von: Zhu, Junhan, et al.
Veröffentlicht: (2025)

Efficient-vDiT: Efficient Video Diffusion Transformers With Attention Tile
von: Ding, Hangliang, et al.
Veröffentlicht: (2025)

CAT-DM: Controllable Accelerated Virtual Try-on with Diffusion Model
von: Zeng, Jianhao, et al.
Veröffentlicht: (2023)

When and What: Diffusion-Grounded VideoLLM with Entity Aware Segmentation for Long Video Understanding
von: Fang, Pengcheng, et al.
Veröffentlicht: (2025)

PanoWan: Lifting Diffusion Video Generation Models to 360° with Latitude/Longitude-aware Mechanisms
von: Xia, Yifei, et al.
Veröffentlicht: (2025)

SHIFT: Motion Alignment in Video Diffusion Models with Adversarial Hybrid Fine-Tuning
von: Ye, Xi, et al.
Veröffentlicht: (2026)

Embodied VideoAgent: Persistent Memory from Egocentric Videos and Embodied Sensors Enables Dynamic Scene Understanding
von: Fan, Yue, et al.
Veröffentlicht: (2024)

ACD: Direct Conditional Control for Video Diffusion Models via Attention Supervision
von: Li, Weiqi, et al.
Veröffentlicht: (2025)

Benchmarking the Trustworthiness in Multimodal LLMs for Video Understanding
von: Wang, Youze, et al.
Veröffentlicht: (2025)

VMoBA: Mixture-of-Block Attention for Video Diffusion Models
von: Wu, Jianzong, et al.
Veröffentlicht: (2025)

Analysis of Attention in Video Diffusion Transformers
von: Wen, Yuxin, et al.
Veröffentlicht: (2025)

Accelerating Video Diffusion Models via Distribution Matching
von: Zhu, Yuanzhi, et al.
Veröffentlicht: (2024)

ViViD: Video Virtual Try-on using Diffusion Models
von: Fang, Zixun, et al.
Veröffentlicht: (2024)

Boosting Few-Shot Segmentation via Instance-Aware Data Augmentation and Local Consensus Guided Cross Attention
von: Guo, Li, et al.
Veröffentlicht: (2024)

Video Mamba Suite: State Space Model as a Versatile Alternative for Video Understanding
von: Chen, Guo, et al.
Veröffentlicht: (2024)