统一训练范式

UnityVideo：面向世界感知视频生成的统一多模态多任务学习

UnityVideo: Unified Multi-Modal Multi-Task Learning for Enhancing World-Aware Video Generation

将分割掩码、人体骨架、DensePose、光流、深度图等多种异构模态作为统一条件输入视频扩散模型，并用动态加噪统一不同训练范式、用模态切换器+上下文学习器实现模块化参数共享，为视觉研究者提供了一套可复用的多模态条件注入与跨模态泛化方案。