Difusión Discreta Uniforme con Trayectoria Métrica para la Generación de Videos

Uniform Discrete Diffusion with Metric Path for Video Generation

October 28, 2025

Autores: Haoge Deng, Ting Pan, Fan Zhang, Yang Liu, Zhuoyan Luo, Yufeng Cui, Wenxuan Wang, Chunhua Shen, Shiguang Shan, Zhaoxiang Zhang, Xinlong Wang

cs.AI

Resumen

La generación de vídeo en espacio continuo ha avanzado rápidamente, mientras que los enfoques discretos se quedan rezagados debido a la acumulación de errores y la inconsistencia en contextos largos. En este trabajo, revisitamos el modelado generativo discreto y presentamos **URSA** (Uniform discRete diffuSion with metric pAth), un marco de trabajo sencillo pero potente que salva la brecha con los enfoques continuos para la generación escalable de vídeo. En esencia, URSA formula la tarea de generación de vídeo como un refinamiento global iterativo de tokens espacio-temporales discretos. Integra dos diseños clave: una **Trayectoria Métrica Linealizada** y un mecanismo de **Desplazamiento de Paso de Tiempo Dependiente de la Resolución**. Estos diseños permiten a URSA escalar eficientemente a la síntesis de imágenes de alta resolución y a la generación de vídeo de larga duración, requiriendo significativamente menos pasos de inferencia. Adicionalmente, introducimos una estrategia de ajuste fino temporal asíncrono que unifica diversas tareas dentro de un único modelo, incluyendo interpolación y generación de imagen a vídeo. Experimentos exhaustivos en benchmarks desafiantes de generación de vídeo e imagen demuestran que URSA supera consistentemente a los métodos discretos existentes y logra un rendimiento comparable a los métodos de difusión continuos de última generación. El código y los modelos están disponibles en https://github.com/baaivision/URSA.

English

Continuous-space video generation has advanced rapidly, while discrete approaches lag behind due to error accumulation and long-context inconsistency. In this work, we revisit discrete generative modeling and present Uniform discRete diffuSion with metric pAth (URSA), a simple yet powerful framework that bridges the gap with continuous approaches for the scalable video generation. At its core, URSA formulates the video generation task as an iterative global refinement of discrete spatiotemporal tokens. It integrates two key designs: a Linearized Metric Path and a Resolution-dependent Timestep Shifting mechanism. These designs enable URSA to scale efficiently to high-resolution image synthesis and long-duration video generation, while requiring significantly fewer inference steps. Additionally, we introduce an asynchronous temporal fine-tuning strategy that unifies versatile tasks within a single model, including interpolation and image-to-video generation. Extensive experiments on challenging video and image generation benchmarks demonstrate that URSA consistently outperforms existing discrete methods and achieves performance comparable to state-of-the-art continuous diffusion methods. Code and models are available at https://github.com/baaivision/URSA