VideoRAE: Taming Video Foundation Models for Generative Modeling via Representation Autoencoders

  • 类型：arxiv
  • 标识：2607.14088
  • 链接：https://arxiv.org/abs/2607.14088
  • 主分类：multimodal
  • 形态：method
  • 被引：0
  • 被引来源：Semantic Scholar
  • S2被引：0
  • 影响力被引：0
  • TLDR：VideoRAE is a representation autoencoder that leverages multi-scale hierarchical features from a frozen video foundation encoder and compresses them with a lightweight 1D self-attention projector to validate frozen VFM representations as versatile and generation-friendly video latents.
  • 待LLM分类：否
  • 标题中文：VideoRAE：通过表征自编码器驯服视频基础模型用于生成建模
  • TLDR中文：VideoRAE是一种表征自编码器，利用冻结视频基础编码器的多尺度分层特征，并通过轻量级1D自注意力投影器进行压缩，验证了冻结VFM表征可作为通用且利于生成的视频潜变量。
  • 来源文件：
  • /inbox/tom/_candidates/2026-07-20-agent-rag-longcontext-candidates.json
  • [S2 enrich]