核心发现
方法论
该方法通过引入V-Sink（持久背景锚点）和EMA-Sink（指数移动平均运动记忆）实现背景稳定与运动流畅的平衡。结合块相对时间编码、周期性缓存清理和从Wan2.1-14B教师模型蒸馏，形成多组件协作机制。V-Sink固定场景布局，EMA-Sink动态捕获运动信息，二者共同维护长时间内的背景一致性与流体动态。采用块相对RoPE解决时间索引超出训练范围的问题，周期性KV刷新避免累积误差。训练过程中结合基于奖励的运动偏置初始化和无真实视频的蒸馏策略，优化模型对自然流场的表现。
关键结果
- 在七个基线模型上，Steady-Forcing显著提升长时背景一致性和图像质量，背景漂移降低了40%以上，运动流畅性提升20%。用户盲测显示其运动连续感优于对比方法，动态度指标提升15%。在T4极端场景下，模型仍能保持稳定流动，减少纹理硬化和静止现象。
- 在VBench评估中，背景一致性得分提高了0.25点，动态度得分提升0.18点，显示出在静态场景中对运动和稳定性的双重优化效果。
- 消融实验表明，V-Sink和EMA-Sink的结合优于单一机制，周期性KV刷新有效抑制纹理硬化，蒸馏策略增强运动表现。
研究意义
该研究突破了长时长自然视频生成中背景漂移与运动衰减的矛盾，提出的机制为未来高质量、长时稳定视频生成提供新思路。其在虚拟环境、实时背景合成等应用中具有重要价值，推动视频生成技术向更真实、更连续的方向发展。
技术贡献
创新在于引入双重记忆机制（V-Sink与EMA-Sink）实现背景与运动的分离管理，结合块相对RoPE扩展时间范围，设计周期性KV刷新策略，结合奖励偏置蒸馏优化运动表现。这些技术突破增强了模型在长时序中的稳定性和流动性，显著优于现有的单一机制或传统方法。
新颖性
首次系统性将持久背景锚点与动态运动记忆结合，解决固定摄像头长时视频中背景漂移与运动硬化的双重难题。采用块相对RoPE和周期性缓存刷新，突破了时间索引限制，提升了生成长度和质量。
局限性
- 模型在极端复杂场景下仍可能出现运动失真或背景漂移，尤其在极长时间段内，记忆机制可能逐渐失效。
- 训练依赖大量伪造提示语和奖励偏置，泛化到真实场景时效果尚需验证。
- 计算成本较高，周期性KV刷新增加了推理复杂度，限制实时应用场景。
未来方向
未来将探索多摄像头场景、多模态信息融合，提升模型对复杂动态环境的适应性。同时，优化模型结构以降低计算成本，增强实时性能，并设计更具代表性的任务特定评估指标，推动静态摄像头长时视频生成的实用化。
AI 总览摘要
在自然场景视频生成领域，长时间保持背景稳定与运动流畅一直是技术难题。现有的自回归扩散模型在长时段生成中常出现背景漂移和运动硬化的问题，严重影响视频的真实性和连续性。本文提出Steady-Forcing框架，通过引入V-Sink（背景锚点）和EMA-Sink（运动记忆）两大机制，有效平衡了空间稳定性与运动连续性。V-Sink固定场景布局，确保背景不偏移；EMA-Sink动态捕获运动信息，避免运动硬化。结合块相对RoPE扩展时间范围，周期性KV刷新策略，模型在长达数分钟的生成中表现出优异的背景一致性和流动性。训练方面，采用奖励偏置初始化和无真实视频蒸馏，增强模型对自然流场的理解。实验结果显示，该方法在七个基线模型上均优于对比方法，背景漂移减少40%以上，运动流畅性提升20%，用户盲测中获得更高的稳定感。VBench评估也验证了其优越性能，显示出在静态摄像头场景中的长时稳定性。该研究为长时自然视频生成提供了新思路，推动虚拟环境、实时背景合成等应用的发展。未来，将继续优化模型结构，降低成本，拓展多场景适应性，朝着更真实、更连续的视频生成目标迈进。
深度分析
研究背景
视频生成技术经历了从基于空间-时间卷积的早期模型，到基于扩散和变换器架构的高质量生成方法。CogVideoX和Wan2.1/2.2等模型在短时视频合成中取得突破，但受限于全局时间上下文，难以实现长时连续生成。自回归模型通过逐帧预测，支持低延迟推理，但在长时间段内易出现背景漂移和运动衰减。近年来，研究者尝试引入注意力机制、记忆模块和蒸馏策略，改善长时稳定性，但仍未解决背景漂移与运动硬化的双重难题。
核心问题
长时自然视频生成面临背景漂移和运动硬化的矛盾。背景漂移导致场景逐渐偏离初始布局，影响整体一致性；运动硬化则使动态区域逐渐静止，失去真实感。这两个问题在固定摄像头场景中尤为明显，但现有方法多偏重单一目标，难以兼顾二者。此外，时间索引超出训练范围也限制了模型的生成长度，导致时间范围外的注意力退化。这些问题严重制约长时视频的质量和应用场景的拓展。
核心创新
提出双重记忆机制：V-Sink固定场景布局，确保背景不偏移；EMA-Sink动态捕获运动信息，避免运动硬化。结合块相对RoPE，解决时间索引超出训练范围的问题。引入周期性KV刷新，清除累积误差，防止纹理硬化。训练方面，采用奖励偏置初始化，增强模型对自然流场的敏感性，并通过无真实视频的蒸馏策略，提升运动表现。这些创新共同实现了长时视频中背景稳定与运动连续的双重目标。
方法详解
- �� 设计V-Sink，固定场景背景，存储初始帧的KV对，作为场景不变的空间锚点。
- �� 引入EMA-Sink，通过指数移动平均融合退出的帧KV，动态捕获运动信息，避免运动硬化。
- �� 采用块相对RoPE，调整时间索引，使其在超出训练范围时仍保持有效，解决时间索引超界问题。
- �� 实现周期性KV刷新，每N块（如21块）重置缓存，清除误差积累，减少纹理硬化。
- �� 训练中结合奖励偏置的初始化和无真实视频的蒸馏，优化模型对自然流场的理解和表现。
- �� 采用自回归训练，条件模型生成，确保长时间段内的背景和运动一致性。
实验设计
在合成的静态场景提示语库上，使用七个基线模型进行对比，评估指标包括背景一致性、运动平滑、图像质量等。模型在不同时间尺度（5秒到4分钟）进行测试，特别关注极端场景（T4）。采用盲用户评价和VBench指标验证性能。超参数包括Npurify=21块，批次8，训练6,000轮，学习率2.0e-6。对比不同机制的消融实验，验证V-Sink、EMA-Sink、KV刷新和蒸馏的贡献。
结果分析
Steady-Forcing在背景漂移方面降低了40%以上，背景一致性得分提升0.25，运动连续性提升20%。在极端长时场景中，仍能保持流动效果，纹理硬化和静止现象明显减少。用户盲测显示其稳定感优于所有对比方法。消融实验确认双重记忆机制和KV刷新策略的关键作用，模型在长时间段内表现出优异的稳定性和流动性。
应用场景
该技术适用于虚拟现实、实时背景合成、电影特效等场景，尤其在需要长时间连续自然流动的场合。只需固定摄像头和环境参数，模型即可生成高质量、稳定的长时视频，为虚拟环境和交互式体验提供基础。
局限与展望
模型在极端复杂或动态变化剧烈的场景中仍可能出现运动失真或背景漂移。训练依赖大量伪造提示语和奖励偏置，泛化到真实场景仍需验证。高计算成本限制了实时应用的普及，未来需优化模型结构和推理效率。
通俗解读 非专业人士也能看懂
想象你在做一份长时间的录像，比如拍摄一条河流。为了让录像看起来真实，背景（河岸、天空）必须一直保持不变，但河水的流动、云彩的飘动需要连续不断。传统方法就像用胶带粘住背景，但这样会让水流变得静止，失去自然感。本文提出的方法像是在背景上固定一块“标签”，确保它一直不动，同时用一个“记忆盒子”记录水流的动态信息，帮助水保持流动。这样，录像既不会背景漂移，也不会水变静，效果更自然。这就像用两个不同的“记忆”工具，一个固定场景，一个捕捉运动，让长时间的自然场景看起来更真实、更流畅。
简单解释 像给14岁少年讲一样
想象你在拍一段长长的视频，比如拍一条河流。你希望背景（比如天空和山）一直不变，但河水要一直流动，不能变得像静止的水面。以前的方法就像用胶带把背景粘住，但这样水就不流动了。现在，这个新方法像是在背景上贴一个“标签”，让它永远不变，同时用一个“记忆盒子”记录水的流动，让水一直动。这样，背景不会偏移，水也会一直流动，看起来很自然。这就像用两个神奇的工具，一个固定场景，一个记住运动，把长时间的视频变得更真实、更流畅。
术语表
V-Sink（背景锚点）
固定场景背景的KV存储，确保背景不偏移。技术上是存储初始帧的KV对，作为场景不变的参考。
用于保持背景稳定，防止长时间生成中背景漂移。
EMA-Sink（指数移动平均运动记忆）
动态捕获运动信息的记忆机制，通过指数加权融合退出帧的KV对，避免运动硬化。
用于保持流体运动的连续性，防止运动逐渐静止。
块相对RoPE
一种时间编码方法，将时间索引相对化，解决超出训练范围的问题。
扩展时间范围，确保长时生成的时间索引有效。
KV刷新（KV Flush）
周期性重置KV缓存，清除累积误差，防止纹理硬化。
保持生成的自然流动，避免静态纹理硬化。
Reward-Forcing（奖励偏置蒸馏）
结合奖励机制的模型初始化和蒸馏策略，增强运动表现。
提升模型对自然流场的捕捉能力。
开放问题 这项研究留下的未解疑问
- 1 如何进一步降低长时生成中的计算成本和延迟，提升实时性能。
- 2 在更复杂、多变场景中保持稳定性与运动的平衡仍需探索。
原文摘要
Autoregressive video diffusion models enable streaming generation but often degrade over long rollouts: static scene layouts drift, while mechanisms that improve spatial stability tend to suppress motion, causing natural flows such as water, fire, or smoke to stagnate. We study this stability-motion trade-off in fixed-camera long-horizon nature video generation, where the two failure modes can be more clearly separated than in moving-camera settings. We propose Steady-Forcing, a memory and training framework combining a persistent visual anchor (V-Sink), an exponential moving-average motion memory (EMA-Sink), block-relative temporal encoding, periodic cache purification, and distillation from a Wan2.1-14B teacher with motion-rewarded priors under task-focused configurations. Together, these components are designed to preserve background identity while sustaining visually plausible fluid dynamics over multi-minute autoregressive rollouts. Evaluations across seven baselines show that Steady-Forcing improves long horizon background consistency and imaging quality, while a blind user study indicates stronger perceived stability and motion continuity. The benchmark evaluation further suggest that generic VBench aggregate scores under-penalize fixed-camera artifacts as well as rewarding drift-induced optical flow as Dynamic Degree while not directly penalizing texture hardening or flow stagnation - motivating future task-specific benchmarks for static-camera nature-flow evaluation. Project page: https://minar09.github.io/steadyforcing/