VMonarch: Efficient Video Diffusion Transformers with Structured Attention 2026年5月5日· Cheng Liang , Haoxian Chen , Liang Hou , Qi Fan , Gangshan Wu , Xin Tao Limin Wang · 0 分钟阅读时长 引用 URL 类型 会议文章 出版物 Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 最近更新于 2026年5月5日 Authors Limin Wang 南京大学 ← VideoRealBench: A Chain-of-Thought Realism Evaluation Benchmark for Generated Human-Centric Videos 2026年5月5日 Will Multimodal Models Be Dazzled by Multi-Image Visual Puzzles? 2026年5月5日 →