MilliVid

该方法预训练一个层级自动编码器，将每帧压缩为多个 token 层级，然后通过由粗到细的 rollout 生成视频。与扁平潜表示相比，这让模型能在更紧张的 token 预算下保留更长时间范围的结构。

MilliVid 适合研究长视频片段、场景一致性和内存高效生成的视频生成研究者。项目页面链接了 arXiv 和代码，并包含直链项目视频资源。