首帧的真正秘密被揭开了：视频生成模型竟然把它当成「记忆体」

来自 UMD、USC 和 MIT 的研究团队发现，视频生成模型的第一帧实为“概念记忆体”，负责存储后续帧所需的视觉实体。尽管模型原生具备多对象融合能力，但该能力默认难以稳定触发。基于此，团队提出轻量方法 FFGo，仅用 20–50 个样本和 Few-shot LoRA 微调，即可激活这一潜能，在不改动模型结构的前提下实现 SOTA 级别的视频定制。实验显示，FFGo 支持最多 5 个参考对象融合，显著优于现有方法，并在机器人、驾驶、影视等多场景中取得用户研究 81.2% 的偏好率，标志着向高效利用预训练模型迈出了关键一步。
来源：https://mp.weixin.qq.com/s/bTaS_xmH_gPUhyGo0mm_LQ