---
title: "教师强制历史 (Teacher-Forced History)"
created: 2026-06-13
updated: 2026-06-13
type: concept
tags: [computer-vision, video-generation, training-technique]
sources: [raw/papers/cheng-flex4dhuman-2026.md]
---

# 教师强制历史 (Teacher-Forced History)

Flex4DHuman [[three-stage-curriculum-training|Stage 3]] 训练中使用的关键技术——在训练时将清洁（ground-truth）的历史帧 token 作为条件提供给模型，使其学会基于清洁历史进行预测。

## 为什么需要

标准扩散模型训练时，所有 token 同时去噪。但在 [[temporal-rollout|时间滚动展开]] 推理时，模型需要基于**之前已生成的帧**（而非同时去噪的帧）进行条件生成。

如果训练时从未见过"清洁历史 + 噪声目标"的模式，推理时就会出现**训练-推理分布偏移**。

## 实现

- 训练时，将前 O 帧的 ground-truth latent 填入 [[clean-conditioning-mask|清洁条件掩码]] 的清洁通道
- 目标 token（剩余帧）使用噪声 latent，保持正常的 flow-matching 去噪
- 配置多种 V×T 布局下的不同 n_history 模式（0 history, 1 history）

## 效果

实验表明，教师强制历史训练使：
- T=4 和 T=16 两种 rollout 配置的 PSNR 几乎相同（24.79 vs 24.86 dB）
- 无需额外的 drift-mitigation 策略即可实现稳定长程展开

## 局限与未来方向

论文指出更长程生成可能需要额外的 drift-mitigation 策略，如：
- Self-forcing [Huang et al., 2026]
- Diffusion forcing [Chen et al., 2024]
- 其他长期一致性目标

## 参考

- [[flex4dhuman|Flex4DHuman]] — 应用该方法
- [[temporal-rollout|时间滚动展开]] — 推理端使用清洁历史
- [[clean-conditioning-mask|清洁条件掩码]] — 清洁历史 token 的载体