02_AI视频生成核心架构
视频生成模型为什么需要条件表示？一定要使用独立条件编码器吗？
原题T5、CLIP 文本编码器与视觉条件编码路径分别保留什么信息？
原题如何选择 Cross-Attention、AdaLN、拼接与残差控制分支？
原题为什么视频生成通常选择 latent space？它把哪些问题留给了 VAE？
原题Video VAE 相比逐帧 Image VAE 多解决了什么？causal 与 non-causal 如何选择？
原题Video VAE 的空间压缩、时间压缩和 latent 通道数应如何权衡？
原题视频扩散模型训练时究竟学什么？为什么不能理解为逐帧去噪？
原题Diffusion、Flow Matching 与 Rectified Flow 是什么关系？
原题训练路径、推理时间步、数值求解器与 CFG 分别控制什么？
原题U-Net 为什么适合扩散去噪？扩展到视频时需要改什么？
原题视频 DiT 如何处理时空 latent？为什么更适合规模化？
原题U-Net 与视频 DiT 应如何选择？Transformer 一定更优吗？
原题为什么不能把图像生成主干简单复制到每一帧？
原题Temporal Conv、3D Conv 与时空 Attention 应如何选择？
原题为什么视频 Transformer 需要时空位置编码？3D RoPE 的作用是什么？
原题一个典型 AI 视频生成系统的端到端流程是什么？
原题视频生成系统的核心组件如何协同工作？
原题设计视频生成系统时，如何权衡生成质量、计算成本与任务覆盖？
原题
暂无题目