SteerVTE：用风格与字形控制实现无缝视频文本编辑

SteerVTE 通过风格与字形控制驱动冻结的视频扩散模型完成精确视频文本编辑，在文本准确率、风格一致性和时序连贯性上显著优于现有视频编辑基线。该框架在冻结扩散 Transformer 上挂载轻量文本上下文适配器，包含捕捉原文字视觉属性的风格编码器和在线级、字符级编码目标文本的双粒度字形编码器，并提出字形感知空间焦点损失与三阶段渐进训练课程。