位置感知交叉注意力

TGT：面向局部可控视频生成的文本接地轨迹

TGT: Text-Grounded Trajectories for Locally Controlled Video Generation

把点轨迹当作直观的运动句柄，并与局部文本配对，通过位置感知交叉注意力注入扩散/流模型，为视频生成提供细粒度、多目标的局部运动与外观控制；双CFG分别调节局部与全局文本引导的思路可直接迁移到其他条件控制生成任务。