Abstract

Die kontinuierliche Raum-Video-Generierung hat sich rasch weiterentwickelt, während diskrete Ansätze aufgrund von Fehlerakku­mulation und Inkonsistenzen über lange Kontexte zurückbleiben. In dieser Arbeit überprüfen wir erneut die diskrete generative Modellierung und stellen URSA (Uniform discRete diffuSion with metric pAth) vor – einen einfachen, aber leistungsfähigen Rahmen, der die Lücke zu kontinuierlichen Ansätzen bei der skalierbaren Video-Generierung schließt. Im Kern formuliert URSA die Aufgabe der Video-Generierung als iterative globale Verbesserung diskreter räumlich-zeitlicher Tokens. Der Ansatz integriert zwei zentrale Komponenten: einen linearisierten metrischen Pfad und eine auf die Auflösung abgestimmte Zeitstufen-Verschiebung. Diese Designentscheidungen ermöglichen es URSA, effizient auf hohe Bildauflösungen und lange Video-Dauer zu skalieren, während gleichzeitig deutlich weniger Inferenzschritte erforderlich sind. Zudem führen wir eine asynchrone zeitliche Feinabstimmungsstrategie ein, die verschiedene Aufgaben innerhalb eines einzigen Modells vereint, darunter Interpolation und Bild-zu-Video-Generierung. Umfangreiche Experimente auf anspruchsvollen Benchmarks für Video- und Bildgenerierung zeigen, dass URSA bestehende diskrete Methoden konsistent übertrifft und eine Leistung erreicht, die mit den modernsten kontinuierlichen Diffusionsmethoden vergleichbar ist. Der Quellcode und die Modelle sind unter https://github.com/baaivision/URSA verfügbar.