摘要
针对视频编辑操作中场景外观或布局变化导致的长时一致性难题，现有记忆设计常因上下文过时而失效。本文提出 PermaVid 框架，构建多模态上下文记忆，将空间上下文解耦为语义外观与几何结构。该框架包含互补的 RGB 上下文记忆（捕捉外观并隐式编码几何）和深度上下文记忆（保留纯几何结构）。结合编辑感知的记忆更新与检索策略，实现了多模态特征融合的视频生成。实验表明，该方法在编辑后能显著维持长期的语义与结构一致性，优于最先进方法。
AI 推荐理由
论文提出解耦上下文记忆架构，核心解决编辑下的长时一致性问题。
研究机构
上海交通大学
斯坦福大学
中国科学院自动化研究所
南洋理工大学
香港中文大学
上海人工智能研究院
论文信息