论文导读
清华大学、哈尔滨工业大学（深圳）、北京大学等机构联合提出VoRTeC，用Wan2.1流模型的生成先验做超低码率视频压缩。论文报告其相对既有扩散式方案减少58%比特消耗，720p解码达到13 FPS、480p达到32 FPS；速度与画质结论来自指定硬件、数据集和基线，不能直接视为所有终端表现。
超低码率下，模糊和延迟通常只能选一个
传统神经视频压缩在比特不足时容易抹掉纹理，生成式压缩可以补出更自然的细节，却常要运行多轮扩散或去噪，解码慢且相邻帧可能闪烁。VoRTeC试图把生成模型的画面先验保留下来，同时把最耗时的迭代过程压成一步。
项目对比图把原始视频、传统方案和VoRTeC重建放在相同码率附近。赛马服装、草地和快速运动边缘等局部能直接观察到差异；这些是定性案例，不能替代跨视频的平均指标。
图：项目页展示原始帧、基线与VoRTeC在低码率下的重建细节。
先压潜变量，再定位流轨迹中的状态
系统先把视频编码为紧凑潜变量，按不同粒度切分并量化。随后不从纯噪声反复去噪，而是估计压缩表示位于预训练流轨迹的哪个时间状态，让Wan2.1的FlowDiT一步完成重建。预训练流网络本身不需要开放参数或梯度。
多尺度先验负责兼顾结构和细节。为减少跨组跳变，系统复用上一组尾帧并缓存先验，让下一组从已有上下文继续解码。该设计针对的是帧组之间的连续性，而非只优化单帧观感。
图：项目架构图展示潜变量压缩、流状态估计和单步生成重建。
720p达到13 FPS，480p达到32 FPS
论文汇总结果显示，相比此前扩散式视频压缩方法，VoRTeC的比特消耗减少58%，解码速度提高3至197倍。最终速度为720p每秒13帧、480p每秒32帧；“实时”在这里对应论文的解码测试，不包含网络传输、编码和播放器缓冲。
图：项目页定量图比较多种方法的率失真表现和解码效率。
延迟表还区分解码和编码吞吐量，说明两端成本并不相同。面向视频会议或云游戏时，端到端延迟要把采集、编码、传输、解码和显示都算进去，单看解码帧率不足以判断产品体验。
图：项目页列出不同分辨率下的编码与解码吞吐量。
从论文速度走向真实部署
下一步应在不同硬件、视频类型和运动强度上报告能耗、显存、首帧时间与长视频稳定性。生成式重建还需要单独检查文字、人脸、细线条和快速镜头中的错误，因为“看起来真实”不保证恢复的是原始细节。
若用于实时通信，接收端还要处理丢包、码率波动和随机访问。把这些条件纳入公开测试，才能判断单步流模型是否在网络变化时仍能保持画质与帧间一致，而不是只在离线固定码率数据上占优。
