Eco-Forzamiento: Un Marco de Memoria de Escena para la Generación Interactiva de Videos Largos

Resumen

Los modelos de difusión de video autorregresivos permiten la generación abierta mediante atención local y almacenamiento en caché de KV. Sin embargo, los métodos existentes de optimización de video largo sin entrenamiento se centran principalmente en la extensión estable bajo un solo prompt, lo que dificulta el manejo de escenarios interactivos que implican cambios de prompt, olvido de escenas antiguas y recuperación de escenas históricas. Identificamos que el cuello de botella principal es el enredo funcional de los estados KV históricos: los anclajes estables y las dinámicas recientes son manejados por la misma política de caché, lo que genera contaminación del fondo desactualizado, respuesta tardía a nuevos prompts y pérdida de la memoria a largo plazo. Para abordar este problema, proponemos Echo-Forcing, un marco de memoria de escenas sin entrenamiento diseñado específicamente para la generación interactiva de video largo con tres mecanismos centrales: (1) Memoria Temporal Jerárquica, que desacopla anclajes estables, historia comprimida y ventanas recientes bajo RoPE relativo; (2) Fotogramas de Recuperación de Escenas, que comprimen escenas históricas en representaciones KV estructuradas espacialmente para soportar la recuperación a largo plazo; y (3) Decaimiento de Memoria Sensible a la Diferencia, que olvida adaptativamente los tokens conflictivos según la discrepancia entre escenas antiguas y nuevas. Basándose en estos diseños, Echo-Forcing soporta de manera uniforme transiciones suaves, cortes duros y recuperación de escenas a largo plazo bajo un presupuesto de caché limitado. Evaluaciones exhaustivas en VBench-Long demuestran además que Echo-Forcing logra el mejor rendimiento general tanto en la generación de video largo como en la generación de video interactivo. Nuestro código está disponible en https://github.com/mingqiangWu/Echo-Forcing.

English

Autoregressive video diffusion models enable open-ended generation through local attention and KV caching. However, existing training-free long-video optimization methods mainly focus on stable extension under a single prompt, making them difficult to handle interactive scenarios involving prompt switching, old scene forgetting, and historical scene recall. We identify the core bottleneck as the functional entanglement of historical KV states: stable anchors and recent dynamics are handled by the same cache policy, leading to outdated background contamination, delayed response to new prompts, and loss of long-range memory. To address this issue, we propose Echo-Forcing, a training-free scene memory framework specifically designed for interactive long video generation with three core mechanisms: (1) Hierarchical Temporal Memory, which decouples stable anchors, compressed history, and recent windows under relative RoPE; (2) Scene Recall Frames, which compresses historical scenes into spatially structured KV representations to support long-term recall; and (3) Difference-aware Memory Decay, which adaptively forgets conflicting tokens according to the discrepancy between old and new scenes. Based on these designs, Echo-Forcing uniformly supports smooth transitions, hard cuts, and long-range scene recall under a bounded cache budget. Extensive evaluations on VBench-Long further demonstrate that Echo-Forcing achieves the best overall performance in both long-video generation and interactive video generation settings. Our code is released in https://github.com/mingqiangWu/Echo-Forcing