输入
注意：
pose_video 和 pose_video_mask 输入会一起被截断到两者中较短的长度，并且仅对前 length 帧进行处理。如果任一输入的长度小于或等于 video_frame_offset，则完全忽略该输入。pose_video 在编码前会被缩小到主视频分辨率的一半；编码后的姿态潜空间会乘以 pose_strength，并且仅在 pose_start 到 pose_end 之间的时间步内应用于条件。如果提供了 pose_video_mask，彩色掩码视频会被缩小到一半分辨率，并转换为 28 通道驱动掩码，该掩码会同时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一个潜空间，并嵌入到正向和负向条件中。第一张图像是主要参考；附加图像用作附加视角，每张都需要一个匹配的 reference_image_mask。reference_image_mask 仅在同时提供 reference_image 时使用；当两者都提供时，还会根据这些掩码构建一个 28 通道参考掩码，用于将参考帧与身份绑定，并添加到条件中。在替换模式（replacement_mode=True）下，参考图像会以参考图像掩码作为 alpha 遮罩合成到黑色背景上。当提供 clip_vision_output 时，它会同时应用到正向和负向条件中。
注意： 当提供 previous_frames 时，仅使用最后 previous_frame_count 帧作为扩展锚点，并且 video_frame_offset 会相应调整（减去已锚定的帧数，下限为 0）。锚定的帧会被编码并写入输出潜空间的开头，同时包含一个噪声掩码，以便在生成过程中保持这些帧不变。
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