Проблема последовательности в диффузионных моделях генерации видео

Модель видеодиффузии выявляет феномен «разрыва в последовательности», возникающий при прогнозировании цепочек событий с длинными причинно-следственными связями. В ходе эксперимента по физическому моделированию, в котором сталкивалось большое количество шаров, исследователи обнаружили, что чем длиннее видео в модели двусторонней диффузии, тем сильнее снижается физическая согласованность и предсказуемость. Эти недостатки не устраняются простым увеличением шага удаления шума, а улучшаются только при расширении глубины нейронной сети модели или введении авторегрессионной модели. Теоретический анализ показал, что повторяющийся процесс удаления шума в модели диффузии не обеспечивает структурно новых последовательных вычислительных мощностей и опирается только на вычислительные мощности фиксированной базовой сети. В заключение, данная статья указывает на структурные ограничения существующих видеомоделей в задачах, требующих сложной логики или физического моделирования, и предлагает новое направление проектирования. https://arxiv.org/html/2607.13031v1