摘要
针对视频模型缺乏类人多步推理能力的问题，本文提出 HDR 框架，将分层潜在变量整合进因果视频生成中。该方法通过树状结构组织潜在变量，实现从粗到细的推理：粗粒度层保留假设以进行全局规划，细粒度层逐步 refine 为具体视觉状态。引入稀疏分层注意力模式降低计算成本。实验表明，HDR 在多个推理任务上成功率大幅提升，同时保持低延迟流式输出，并在真实机器人实验中展现出物理交互潜力。
AI 推荐理由
论文核心提出分层去噪框架以解决视觉多步推理问题，显著提升逻辑一致性。
研究机构
State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University
The Hong Kong University of Science and Technology
Beihang University
论文信息