待验证50% 置信解决方案精确时间
图生视频中条件图像通常通过VAE编码为潜空间表示，然后与噪声序列拼接或通过交叉注意力注入生成过程
1
来源数
50%
置信度
长期有效
时效性
2026/8/8
首次发现
来源
相关事实
待验证视频VQ-VAE、3D卷积、均匀采样关键帧后用ViT编码是主流的视频token化方法78% 相似待验证图像条件化方案通常借助CLIP视觉编码器（ViT架构）将参考图映射到与文本嵌入共享的语义空间，再通过交叉注意力（Cross-Attention）机制将视觉特征注入UNet的去噪过程75% 相似待验证视频VAE通常采用3D卷积或因果卷积结构，将连续数帧压缩为一个时间token，以降低时序建模的计算负担72% 相似待验证当前主流多模态LLM通过视觉编码器（通常是CLIP或ViT系列）将图像转换为token序列，再经线性投影层或交叉注意力机制与文本空间对齐69% 相似待验证视频到视频引导生成范式的核心思想源于扩散模型的条件生成机制，在去噪过程中引入额外视觉条件信号约束生成方向69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/706562API
curl https://kongchang.com/api/v1/knowledge/claims/706562MCP
get_claim(id=706562)