SimpleGVR：用于潜在级联视频超分辨率的简单基线

潜在扩散模型已成为高效视频生成的主要范式。然而，随着用户期望转向更高分辨率的输出，仅仅依靠潜在计算变得不足。一个有前途的方法是将过程解耦为两个阶段：语义内容生成和细节合成。前者在较低分辨率下使用计算密集型基础模型，而后者利用轻量级级联视频超分辨率（VSR）模型来实现高分辨率输出。在这项工作中，我们专注于研究当前探索不足的级联 VSR 模型的关键设计原则。首先，我们提出了两种降级策略来生成训练对，以更好地模仿基础模型的输出特征，确保 VSR 模型与其上游生成器对齐。其次，我们通过系统分析（1）时间步采样策略和（2）噪声增强对低分辨率（LR）输入的影响，提供了对 VSR 模型行为的关键见解。这些发现直接指导了我们的架构和训练创新。最后，我们引入了交错时间单元和稀疏局部注意力，以实现高效训练和推理，大幅降低计算开销。大量实验证明了我们框架优于现有方法的优势，消融研究证实了每个设计选择的有效性。我们的工作为级联视频超分辨率生成建立了一个简单而有效的基线，提供了实用见解，以指导未来高效级联合成系统的发展。