研究者提出视频文字编辑框架SteerVTE

研究者在 arXiv 发布论文，提出统一视频文字编辑框架 SteerVTE：通过控制冻结的视频扩散模型，实现带风格与字形控制的视频文字编辑。作者称，该框架在冻结的 diffusion transformer 上附加轻量级文本上下文适配器，内含风格编码器和行级、字符级双粒度字形编码器，并提出字形感知 spatial-focal 损失和三阶段渐进训练。 团队同时开发了自动合成流水线，构建了包含一百万组三元组的 SteerVTE-1M 数据集，覆盖多样场景、字体和风格效果，并公开了项目页面。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。