V-RAE：重新思考视频生成中的潜在空间

V-RAE 是一种视频表示自编码器，在冻结的视觉基础模型表示之上构建紧凑的生成式潜在空间，通过轻量时序池化模块去除时序冗余并保留语义结构。它在 K600 上取得 2.13 rFVD，优于所有评测的大规模预训练视频 VAE；在 UCF101 和 K600 上 gFVD 分别为 117.86 和 19.16，收敛速度最高提升 6 倍。