arXiv · 机器人与计算机视觉· Bishoy Galoaa, Sarah Ostadabbas·· 2026-10-20AI 评分65
ViMoLa:用于语言引导的视频生成的离散运动 Token
ViMoLa: Discrete Motion Tokens for Language-Guided Video Generation
AI 导读
ViMoLa 通过空间向量量化自编码器将密集轨迹压缩为 64 个 Token,利用 28M 参数 Transformer 从文本预测这些 Token,并通过零门控交叉注意力适配器注入到冻结的 Wan~2.2 DiT 骨干网中。
来源:arXiv · 机器人与计算机视觉 · arxiv.org