多参考视频生成

重新思考位置嵌入：作为多参考与多镜头视频生成的上下文控制器

Rethinking Position Embedding as a Context Controller for Multi-Reference and Multi-Shot Video Generation

将位置编码作为额外的上下文控制信号，在语义检索之外实现 token 级精确匹配，可缓解多参考图像外观高度相似时的参考混淆问题，为多参考、多镜头视频生成中的角色一致性控制提供可复用思路。