Consistent Video-to-Video Translation via Explicit Correspondences

AI 摘要

研究者提出一种名为 vid2vid-long 的视频到视频转换方法，利用输入视频中帧与帧之间的显式对应关系（即输入中匹配的区域在输出中也应匹配），在输入上计算图像块级对应，据此检索此前已生成的对应区域输出，并通过对应交叉注意力将这些图像块作为条件输入模型。实验显示，该方法在多个近期视频模型上提升了长程时间一致性，同时保持生成质量与实时性能。该论文被 ECCV 2026 接收。