---

文章： MIGA: Make Train-Free Infinite Frame Generation Great Again for Consistent Long Vide os

代码：暂无

单位与作者：匿名

---

📌 问题背景：Train-Free 长视频生成的瓶颈

近年来，基础视频生成模型（如 Wan、VideoCrafter2）在短视频合成上取得了突破性进展。但要满足电影制作、游戏引擎、数字孪生等场景需求，仅仅“生成几秒视频”远远不够。长时长、可控、内容一致 才是落地应用的刚需。

目前主流的「训练自由」（train-free）延长方案，如 FreeNoise、FreeLong、FreePCA，通过重排噪声或融合频域信息，成功突破了基础模型的帧数限制。然而，它们仍面临两大核心技术挑战：

1. 训练-推理噪声分布不一致模型训练时仅见过统一噪声水平的短片段，而推理时却要同时处理多帧、多噪声水平，导致内容漂移与失真积累。

2. 长期一致性建模缺失主体在长视频中可能出现位置漂移、形态抖动、背景闪烁等现象，而现有方法多只处理局部一致性。

FIFO-Diffusion 虽提出了基于噪声队列的自回归生成机制，实现了理论上的无限帧，但上述问题依然未被根治。

🧠 方法创新：MIGA 框架

MIGA（Make Train-Free Infinite Frame Generation Great Again）在保持 train-free 特性的前提下，针对上述两大痛点提出了两项核心技术改进：

1. 🌀 两阶段训练-推理对齐机制（TTA）

核心思想：推理时控制噪声分布，使其更接近训练阶段。

• Stage 1：Zigzag Iterative Denoising推理时对噪声变化进行“缓冲”，通过 Zigzag 结构让噪声跨度更小，从而减轻模型处理多噪声输入时的不稳定性。

• Stage 2：Unified Noise Level Denoising所有帧被逐步推到统一噪声级别，接近训练分布，进一步缩小 training–inference gap。

TTA 本质上是在「推理时」构造一个更接近训练时分布的输入，从而让基础模型的潜力得到更充分释放。

---

2. 🔁 双一致性增强机制（DCE）

核心思想：通过“自反射 + 长程引导”显式强化视频时序一致性。

• Self-Reflection借鉴 LLM 中 Test-Time Scaling（TTS）思路，在早期高噪声阶段动态检测一致性异常位置，触发局部搜索和替换，低成本实现自我纠错。

• Long-Range Frame Guidance引入序列中较早、已低噪声的帧作为引导信息，增强远程依赖的建模能力，让前后帧在结构与语义上保持稳定。

该机制避免了依赖外部评估器或额外训练，完全在 latent 层完成一致性建模。

---

📊 实验结果：SOTA 性能验证

MIGA 在 VBench 与 NarrLV 两个主流长视频评测基准上均取得了显著提升：

方法	无限帧	主体一致性	背景一致性	平均得分
FIFO-Diffusion	✅	92.92	95.01	95.02
ScalingNoise	✅	94.29	95.52	95.95
MIGA (Ours)	✅	97.66	96.99	97.82

NarrLV 的多叙事测试同样证明，MIGA 能更好地支持复杂语义和长时间的叙事内容生成，尤其是在 TNA=4 情况下领先幅度最大。

此外，消融实验进一步验证了两大机制的独立有效性：

• 单独加入 TTA 或 DCE 都能带来显著增益；

• 组合使用时整体一致性表现达到峰值。

---

🌟 优势与局限

✅ 技术优势

• 完全 Train-Free：无需额外训练成本即可解锁长视频能力；

• 分布对齐 + 自反射机制，有效缓解 drift 与噪声积累；

• 一致性建模内化到推理过程中，无需额外模型；

• 可无缝嵌入现有基础视频生成框架（如 Wan、VideoCrafter2）。

⚠️ 局限与挑战

• 自反射机制引入的搜索在长视频推理中增加计算成本；

• 对极高复杂度、多主体场景的鲁棒性仍有限；

• 泛化到多样化场景和真实拍摄风格仍需更多实证。

---

📝 一句话总结

MIGA 通过“噪声分布对齐 + 时序一致性建模”，在不训练的前提下，让基础模型实现高一致性的无限帧长视频生成，推动长视频生成迈向实用化。