输入
注意：
pose_video 和 pose_video_mask 输入会一起截断到两者中较短的长度，并且仅处理前 length 帧。如果任一输入短于或等于 video_frame_offset，则完全忽略它。pose_video 在编码前会下采样到主视频分辨率的一半，编码后的姿态 latent 会乘以 pose_strength，并且仅在 pose_start 和 pose_end 时间步之间应用于条件。如果提供了 pose_video_mask，彩色掩码视频会下采样到一半分辨率，并转换为 28 通道驱动掩码，然后添加到正向和负向条件中。
注意： 当提供 reference_image 时，批次中的每张图像都会单独编码为 latent 并嵌入到正向和负向条件中。第一张图像是主参考；额外的图像用作附加视图，每张都需要匹配的 reference_image_mask。reference_image_mask 仅在同时提供 reference_image 时使用；当两者都提供时，还会从掩码构建一个 28 通道参考掩码，将参考帧绑定到身份，并添加到条件中。在替换模式（replacement_mode=True）下，参考图像使用参考图像掩码作为 alpha 蒙版合成到黑色背景上。当提供 clip_vision_output 时，它会同时应用于正向和负向条件。
注意： 当提供 previous_frames 时，仅最后 previous_frame_count 帧用作扩展锚点，并且 video_frame_offset 会相应调整（减去锚定帧数，限制在 0）。锚定帧会被编码并写入输出 latent 的开头，并且包含一个噪声掩码，以便这些帧在生成过程中保持不变。
输出
本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！ 在 GitHub 上编辑
Source fingerprint (SHA-256):
4a1a2201dfa94bd2f1330db02ec18a5e0a6aae9e9ac5ae97d456b7af1aa84b7b