SteerVTE：冻结视频扩散模型的文字编辑框架

Kai Zeng 等作者提出 SteerVTE 视频文字编辑框架，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，并称其在文本准确率、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，以及在线级、字符级编码目标文本的双粒度字形编码器；作者还提出字形感知空间焦点损失与三阶段渐进训练课程。上述效果为作者在论文中的说法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。