Buchumschlag

VMoBA: Mixture-of-Block Attention for Video Diffusion Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Jianzong, Hou, Liang, Yang, Haotian, Tao, Xin, Tian, Ye, Wan, Pengfei, Zhang, Di, Tong, Yunhai
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

Does Hearing Help Seeing? Investigating Audio-Video Joint Denoising for Video Generation
von: Wu, Jianzong, et al.
Veröffentlicht: (2025)

Decouple and Track: Benchmarking and Improving Video Diffusion Transformers for Motion Transfer
von: Shi, Qingyu, et al.
Veröffentlicht: (2025)

DiffSensei: Bridging Multi-Modal LLMs and Diffusion Models for Customized Manga Generation
von: Wu, Jianzong, et al.
Veröffentlicht: (2024)

VMonarch: Efficient Video Diffusion Transformers with Structured Attention
von: Liang, Cheng, et al.
Veröffentlicht: (2026)

VideoTetris: Towards Compositional Text-to-Video Generation
von: Tian, Ye, et al.
Veröffentlicht: (2024)

MotionBooth: Motion-Aware Customized Text-to-Video Generation
von: Wu, Jianzong, et al.
Veröffentlicht: (2024)

Diffusion-Sharpening: Fine-tuning Diffusion Models with Denoising Trajectory Sharpening
von: Tian, Ye, et al.
Veröffentlicht: (2025)

Boosting Resolution Generalization of Diffusion Transformers with Randomized Positional Encodings
von: Hou, Liang, et al.
Veröffentlicht: (2025)

MTV-Inpaint: Multi-Task Long Video Inpainting
von: Yang, Shiyuan, et al.
Veröffentlicht: (2025)

One-Step Distillation of Discrete Diffusion Image Generators via Fixed-Point Iteration
von: Wang, Chaoyang, et al.
Veröffentlicht: (2026)

SALAD: Achieve High-Sparsity Attention via Efficient Linear Attention Tuning for Video Diffusion Transformer
von: Fang, Tongcheng, et al.
Veröffentlicht: (2026)

DreamRelation: Bridging Customization and Relation Generation
von: Shi, Qingyu, et al.
Veröffentlicht: (2024)

MMaDA: Multimodal Large Diffusion Language Models
von: Yang, Ling, et al.
Veröffentlicht: (2025)

VLMs are Good Teachers for Video Reasoning via Adaptive Test-Time Optimization
von: Cheng, Junhao, et al.
Veröffentlicht: (2026)

Training-free Diffusion Acceleration with Bottleneck Sampling
von: Tian, Ye, et al.
Veröffentlicht: (2025)

PhysFlow: Unleashing the Potential of Multi-modal Foundation Models and Video Diffusion for 4D Dynamic Physical Scene Simulation
von: Liu, Zhuoman, et al.
Veröffentlicht: (2024)

Towards Language-Driven Video Inpainting via Multimodal Large Language Models
von: Wu, Jianzong, et al.
Veröffentlicht: (2024)

Direct-a-Video: Customized Video Generation with User-Directed Camera Movement and Object Motion
von: Yang, Shiyuan, et al.
Veröffentlicht: (2024)

BAGNet: A Boundary-Aware Graph Attention Network for 3D Point Cloud Semantic Segmentation
von: Tao, Wei, et al.
Veröffentlicht: (2025)

Decoupling Complexity from Scale in Latent Diffusion Model
von: Zhong, Tianxiong, et al.
Veröffentlicht: (2025)

MoQAE: Mixed-Precision Quantization for Long-Context LLM Inference via Mixture of Quantization-Aware Experts
von: Tao, Wei, et al.
Veröffentlicht: (2025)

Muddit: Liberating Generation Beyond Text-to-Image with a Unified Discrete Diffusion Model
von: Shi, Qingyu, et al.
Veröffentlicht: (2025)

Motion Inversion for Video Customization
von: Wang, Luozhou, et al.
Veröffentlicht: (2024)

FullDiT: Multi-Task Video Generative Foundation Model with Full Attention
von: Ju, Xuan, et al.
Veröffentlicht: (2025)

Free Lunch Alignment of Text-to-Image Diffusion Models without Preference Image Pairs
von: Xian, Jia Jun Cheng, et al.
Veröffentlicht: (2025)

FullDiT2: Efficient In-Context Conditioning for Video Diffusion Transformers
von: He, Xuanhua, et al.
Veröffentlicht: (2025)

MoCA: Identity-Preserving Text-to-Video Generation via Mixture of Cross Attention
von: Xie, Qi, et al.
Veröffentlicht: (2025)

Video-as-Answer: Predict and Generate Next Video Event with Joint-GRPO
von: Cheng, Junhao, et al.
Veröffentlicht: (2025)

Triage: Hierarchical Visual Budgeting for Efficient Video Reasoning in Vision-Language Models
von: Wang, Anmin, et al.
Veröffentlicht: (2026)

MemFlow: Flowing Adaptive Memory for Consistent and Efficient Long Video Narratives
von: Ji, Sihui, et al.
Veröffentlicht: (2025)

PhysMaster: Mastering Physical Representation for Video Generation via Reinforcement Learning
von: Ji, Sihui, et al.
Veröffentlicht: (2025)

Stable Velocity: A Variance Perspective on Flow Matching
von: Yang, Donglin, et al.
Veröffentlicht: (2026)

I2V-Adapter: A General Image-to-Video Adapter for Diffusion Models
von: Guo, Xun, et al.
Veröffentlicht: (2023)

Koala-36M: A Large-scale Video Dataset Improving Consistency between Fine-grained Conditions and Video Content
von: Wang, Qiuheng, et al.
Veröffentlicht: (2024)

Efficient Video Diffusion Models: Advancements and Challenges
von: Shao, Shitong, et al.
Veröffentlicht: (2026)

StyleMaster: Stylize Your Video with Artistic Generation and Translation
von: Ye, Zixuan, et al.
Veröffentlicht: (2024)

Hierarchical-Task-Aware Multi-modal Mixture of Incremental LoRA Experts for Embodied Continual Learning
von: Jia, Ziqi, et al.
Veröffentlicht: (2025)

BadVideo: Stealthy Backdoor Attack against Text-to-Video Generation
von: Wang, Ruotong, et al.
Veröffentlicht: (2025)

PatchVSR: Breaking Video Diffusion Resolution Limits with Patch-wise Video Super-Resolution
von: Du, Shian, et al.
Veröffentlicht: (2025)

ImVideoEdit: Image-learning Video Editing via 2D Spatial Difference Attention Blocks
von: Xu, Jiayang, et al.
Veröffentlicht: (2026)