SoL-Refiner: Speed-of-Light One-Step Refinement for High-Resolution Video

📄 arXiv: 2609.37969v1 📥 PDF

作者: Haozhe Liu, Tian Ye, Shuchen Xue, Yitong Li, Junsong Chen, Haopeng Li, Jincheng Yu, Duomin Wang, Ruihua Zhang, Lei Zhu, Song Han, Enze Xie

分类: cs.CV

发布日期: 2026-09-29

备注: 15 pages

💡 一句话要点

提出SoL-Refiner以解决高分辨率视频生成的效率问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 高分辨率视频 视频生成 单步精炼 强化学习 蒸馏训练 效率提升 视频质量

📋 核心要点

  1. 现有的高分辨率视频生成方法成本高且效率低，尤其在多步骤精炼中存在采样瓶颈。
  2. SoL-Refiner通过单步去噪将低分辨率视频直接转换为4K视频，避免了传统方法的多步骤问题。
  3. 在实验中，SoL-Refiner在2K和4K分辨率下均超越了现有的精炼器，显著提高了处理速度和视频质量。

📝 摘要（中文）

高分辨率视频生成成本高昂，尤其是随着时空标记数量的增加而迅速增长。传统的多步骤精炼方法存在第二次采样瓶颈。本文提出了SoL-Refiner，这是一种一步视频精炼器，能够通过单次去噪步骤将低分辨率模型输出转换为4K视频。我们的方法结合了高分辨率持续训练、强化学习后训练和最终的一步蒸馏。通过构建Refiner-Bench基准，我们在约2K输出分辨率下比较了不同精炼器的性能，结果显示SoL-Refiner在VBench和UniPercept平均值上超越了所有外部精炼器，并在3840×2176分辨率下相较于三步LTX-2.3精炼器也有显著提升。最终，SoL-Refiner在2K延迟设置下实现了8.91倍的精炼延迟加速。

🔬 方法详解

问题定义：本文旨在解决高分辨率视频生成中的效率问题，传统方法在生成过程中需要多次采样，导致延迟和成本增加。

核心思路：SoL-Refiner通过设计一个单步精炼器，直接将低分辨率视频输出转换为高分辨率视频，从而避免了多步骤精炼的瓶颈。

技术框架：该方法包括三个主要阶段：高分辨率持续训练、强化学习后训练和一步蒸馏。首先进行高分辨率训练，然后通过强化学习优化模型，最后进行蒸馏以提高效率。

关键创新：SoL-Refiner的核心创新在于其单步精炼机制，显著减少了处理时间，与传统的多步骤精炼方法相比，提升了效率和视频质量。

关键设计：在模型设计中，采用了特定的损失函数以优化视频质量，并通过强化学习调整模型参数，确保在不同分辨率下均能保持高效性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，SoL-Refiner在2K分辨率下的性能超越了所有外部精炼器，并在3840×2176分辨率下相较于三步LTX-2.3精炼器也有明显提升。最终实现了8.91倍的精炼延迟加速，展示了其在高分辨率视频生成中的优越性。

🎯 应用场景

SoL-Refiner在高分辨率视频生成领域具有广泛的应用潜力，尤其适用于影视制作、游戏开发和虚拟现实等需要高质量视频内容的场景。其高效的处理能力能够降低制作成本，提高创作效率，推动相关行业的发展。

📄 摘要（原文）

High-resolution video generation is expensive, as its cost grows rapidly with the number of spatiotemporal tokens. A practical alternative first generates a lower-resolution video and then applies a refiner, but conventional multi-step refinement introduces a second sampling bottleneck. We present SoL-Refiner, a one-step video refiner that transforms low-resolution model outputs into 4K videos with a single denoising step. Our three-stage recipe combines high-resolution continual training, reinforcement learning (RL) post-training, and a final one-step distillation. We introduce Refiner-Bench, a video refinement benchmark constructed from the outputs of different video generators, and use a shared-input protocol to compare refiners at approximately 2K output resolution. At 2K, the one-step SoL-Refiner outperforms all external refiners on the VBench and UniPercept averages, while at $3840!\times!2176$ it improves both metrics over the three-step LTX-2.3 Refiner. With the complete acceleration stack, SoL-Refiner achieves an $8.91\times$ speedup in refinement latency over the same baseline in our 2K latency setting.