知识卡片：ReferStream：流式视频生成中的交互式主体注入

一句话结论

ReferStream 是一个无需额外训练的框架，通过在流式视频生成过程中将新提供的视觉参考自然地注入已有视频，同时保持已建立主体与场景的一致性，并配套提出 ReferStream Bench 基准。

事件概述或研究问题

在流式视频生成中动态注入新主体，需要把新给出的视觉参考整合进现有视频，同时不破坏已出现的主体和场景。论文指出两种现有思路各有缺陷：独立于当前场景编码参考，无法为整合提供足够引导；将参考特征保留在持久记忆中，又会干扰已建立的上下文。ReferStream 针对这一矛盾提出解决方案。

方法/产品要点

• 无需额外训练：不重新训练生成器，也不修改已输出的帧。
• Joint Latent（联合潜变量）：把参考潜变量放入最新场景潜变量的目标区域，使参考特征能在上下文中被提取。
• Cache Restoration（缓存恢复）：用上述特征对注入块进行条件化，随后恢复被覆盖的全局缓存条目，同时保留新生成的历史。
• 瞬态缓存注入：参考特征以瞬态方式注入，而非长期驻留于持久记忆。
• ReferStream Bench：新基准，包含按计划到达的参考、演化的指令，以及 InShot 与 MultiShot 生成中对主体存在性的显式标注。

主要结果或产业意义

在 ReferStream Bench 上，ReferStream 在文本遵循度、主体相似度和计数准确率上均取得高于对比基线的分数，对比对象包括提前给定全部参考的离线方法。评估按事件时间表进行，同时测量新主体保真度、已建立主体的保持情况、视频质量、文本遵循与计数准确率。具体数值待核实（摘要未给出）。

为什么重要

流式视频生成正从“一次性生成”走向“边生成边交互”，而交互式注入新主体是其中的关键能力。ReferStream 的意义在于：它把“参考特征放哪里”与“如何不污染已有上下文”拆成两个可分别处理的问题（联合潜变量定位 + 瞬态缓存恢复），从而在不重训模型的前提下支持在线注入。与既有卡片中 FVAttn 关注稀疏注意力加速、M⁴World 关注多视角流式世界模型不同，本条聚焦的是流式生成中的参考条件注入机制与评测协议，属于该脉络在“交互可控性”方向上的增量。

局限与不确定性

• 论文未在摘要中给出具体量化指标与消融结果，性能幅度待核实。
• 方法对缓存恢复的依赖是否在不同生成器架构上通用，待核实。
• ReferStream Bench 的规模、标注规范与人类一致性评估细节，待核实。
• 项目页已给出（https://xushuolin.github.io/ReferStream/），但代码与数据是否开源待核实。

可用于图书/PPT/简报的角度

• “流式视频生成的可控注入”：从一次性条件到按时间表到达的参考。
• “不重训也能加条件”：联合潜变量 + 瞬态缓存恢复的组合思路。
• “评测要跟事件表走”：ReferStream Bench 对参考到达时序与主体存在性标注的设计，可作为流式交互评测的案例。
• 与离线参考注入方法的对比：在线注入在文本遵循、主体相似度、计数准确率上的优势叙事。

与既有脉络的关系

本条延续“流式/长时视频生成”脉络（参见 M⁴World 的分钟级流式预测、FVAttn 的推理加速），增量在于：把“参考条件如何进入流式生成”作为独立问题提出，并给出无需训练的注入机制与配套基准；与几何互易定理卡片的“无监督立体视频生成”无直接重叠。

原始材料

• 标题：ReferStream: Interactive Subject Injection for Streaming Video Generation
• arXiv ID：2610.37566v1
• 作者：Shuolin Xu, Guanyuan Li, Boyu Li, Kelu Yao, Xiaogang Xu, Hongchuan Yu, Shuicheng Yan, Xiaobin Hu
• 发布/更新：2026-10-27T17:12:42Z
• 主分类：cs.CV
• 摘要页：https://arxiv.org/abs/2610.37566v1
• PDF：https://arxiv.org/pdf/2610.37566v1
• 项目页：https://xushuolin.github.io/ReferStream/