参考图到视频生成

扩展零样本参考图到视频生成

Scaling Zero-Shot Reference-to-Video Generation

用掩码训练加定制注意力在纯视频-文本对上习得参考感知表征，绕开昂贵的参考图-视频-文本三元组标注，为身份保持视频生成提供了一条可扩展的零样本训练路径。