# 潜在扩散模型

PixVid把预训练的潜空间视频扩散模型改造成逐帧在像素空间生成的模型：保留扩散Transformer，用卷积细节头替换VAE解码器，并从Wan2.1-14B微调。它在VBench上总分85.09（960p）与84.78（480p），高于Wan2.1的84.05和PixelUMM的83.72；在快速运动片段上保留98%的源运动，而同样微调的潜空间模型为83%。

PixVid把预训练的潜空间视频扩散模型改造成逐帧在像素空间生成的模型：保留扩散Transformer，用卷积细节头替换VAE解码器，并从Wan2.1-14B微调。它在VBench上总分85.09（960p）与84.78（480p），高于Wan2.1的84.05和PixelUMM的83.72；在快速运动片段上保留98%的源运动，而同样微调的潜空间模型为83%。