MV-Forcing：通过4D接地时空自强制实现长多视图视频生成

视频扩散模型的最新进展使得通过时间自回归实现长单视图生成，或通过双向注意力实现短多视图合成。然而，生成动态场景的长时间、多视图一致视频仍然是一个未解决的问题。在这项工作中，我们提出了MV-Forcing，一个框架，它通过在顺序生成的视图之间引入4D几何桥，在一个单一扩散模型中组合时间自回归和视图自回归。我们的关键洞察是，自回归3D重建模型自然地在自回归生成的视图之间进行接口。给定一个完成的源视图，我们重建其3D结构并渲染下一个目标视点的几何先验，扩散模型将其精炼为高质量视频。为了将生成扩展到教师模型的固定时间窗口之外，我们引入了一种联合去噪机制，其中两个视图槽在训练期间都从噪声初始化，从而实现时间上无限制的生成。我们通过结合时空自强制的分布匹配蒸馏来蒸馏模型，弥合了时间自回归和视图序列自回归的训练-推理暴露偏差。在合成数据和真实世界数据上的大量实验表明，MV-Forcing使用单一的少量步骤学生模型，可以生成任意长度和视点数量的动态场景的几何一致多视图视频。