EM-Vid：用于高效一致多镜头视频生成的免训练实体中心记忆机制

多镜头视频生成需在保持实体外观一致性的同时遵循特定镜头提示。现有自回归方法复用全帧作为记忆，导致无关信息泄露且计算成本高。本文提出一种实体索引的潜在补丁记忆库，引入兼容预训练模型的稀疏令牌条件机制，限制自注意力范围以降低成本。此外，设计了结构化脚本格式、预算化记忆更新策略及噪声注入机制，以实现细粒度外观控制并防止信息泄露。该方法显著提升了提示遵循度、效率及主体一致性。