Files

T

indigo 110adc781e Add SCAIL-2 in-context mask channels (Phase 2, plumbing + zero-init surgery)

Port mechanism 2 of SCAIL-2 (arXiv:2606.10804) to LTX-2: extra per-token
in-context conditioning channels (1 environment switch + K=6 character binding
slots) concatenated onto the latent before the first projection.

Faithful temporal encoding for LTX's VAE (temporal factor 8): each latent frame
stacks its 8 pixel sub-frames along the channel dim, giving 8*(K+1)=56 channels
(vs the paper's 4*(K+1)=28 on Wan 2.1).

Plumbing (backward compatible; cond_channels=None leaves every existing pipeline
unchanged):
- LatentState/Modality gain an optional cond_channels field (patchified [B,T,C]).
- LTXModel(mask_conditioning_channels=0) config-gates a widened patchify_proj;
  TransformerArgsPreprocessor concatenates cond_channels (or zero-pads) before it.
- tools.clear_conditioning trims it; token-appending conditioning items
  (reference video/audio, driving, keyframe) extend it via extend_cond_channels.

New:
- VideoConditionByMaskChannels: encodes (K+1) pixel masks -> 56 channels, written
  onto the trailing driving tokens (noisy target stays all-zero, per the paper).
- widen_patchify_proj_for_mask_channels: zero-init checkpoint surgery so a
  converted model reproduces the base output exactly until finetuned.

Verified (CPU, random weights): backward compat, zero-init widened forward is
bit-identical to baseline for any cond_channels, and the driving+mask pipeline
forwards without crashing with correct placement/clipping. Visual quality
requires Phase 3 finetuning; Replacement-mode z_ref height shift still deferred.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

2026-07-09 09:50:27 +08:00

4.4 KiB

Raw Blame History

SCAIL-2 → LTX-2 移植計畫

將 SCAIL-2（arXiv:2606.10804，zai-org/SCAIL-2）的端到端角色動畫手法移植到 LTX-2。

注意：SCAIL-2 原始實作建構於 Wan 2.1，非 LTX-2。座標慣例與架構需翻譯到 LTX 的資料流。

三個核心機制

Driving latent 直接串接 — 把驅動影片 latent 直接接進 DiT token 序列（不經骨架/pose 中介），用 width 軸座標偏移 ΔW 讓 driving 座標跟主 video 座標分開。
In-context mask channel — 疊加額外輸入 channel（1 個環境開關 + K=6 個角色綁定槽，展開為 4(K+1)=28 channel）到模型輸入，讓模型知道背景/角色對應。
Mode-specific RoPE — Animation Mode 與 Replacement Mode 用不同的座標指派規則。

LTX-2 對應落點

機制	LTX-2 落點	改權重？
1. Driving 串接 + ΔW	新 `ConditioningItem`（clone `reference_video_cond.py`），改 `positions` 偏移	否
3. Mode-specific RoPE	上述 item 加 `DrivingMode` enum	否
2. In-context mask channel	加寬 `patchify_proj` 輸入 channel + `LatentState` 帶額外 channel + 投影前 concat	是（需微調）

關鍵洞察：LTX 的 ConditioningItem.apply_to(latent_state, latent_tools) -> LatentState 就是「串接進序列」的天然注入點，機制 1+3 完全不用動 transformer / rope.py。RoPE 由 LatentState.positions [B,3,T,2]（pixel 座標，axis1=(time,h,w)）驅動；ΔW = 對 positions[:,2]（width）加常數。width 正規化上界 max_pos[2]=2048，超過會 wrap。

SCAIL-2 座標規則（論文）

序列 [z_ref; z_t; z_driv]，driving 永遠在 width 軸帶固定偏移 ΔW：

	Animation	Replacement
z_ref	T=0, H=[0,Hv), W=[0,Wv)	T=0, H=[ΔH_ref, ΔH_ref+Hv), W=[0,Wv)
z_t	T=[1,Tv], H=[0,Hv), W=[0,Wv)	T=[0,Tv−1], H=[0,Hv), W=[0,Wv)
z_driv	T=[1,Tv], H=[0,Hv), W=[ΔW, ΔW+Wv)	T=[0,Tv−1], H=[0,Hv), W=[ΔW, ΔW+Wv)

分階段計畫

Phase 1 — Driving 串接 item（機制 1+3，推論期 PoC）✅ 已完成

純推論、不改權重、不動 patchify_proj、不碰 ltx-trainer。
用現有 checkpoint 驗證資料流正確性（序列長度、座標偏移、attention mask、denoise_mask、不 wrap）。
PoC 僅驗證 plumbing；LTX-2 未經此訓練，畫面不會是正確動畫。

Phase 2 — In-context mask channel（機制 2，checkpoint 手術）✅ 已完成（plumbing）

決策：時間編碼採忠實堆疊，8×(K+1)=56 channel（LTX 時間因子 8，K=6），非 Wan 的 28。
LTXModel(mask_conditioning_channels=0) config-gated 加寬 patchify_proj；預設不變。
LatentState/Modality 加 cond_channels 欄位，跟著 clone/clear/append 流動；投影前在 _apply_patchify_proj concat（None 補零）。
新輸入欄位 zero-init：widen_patchify_proj_for_mask_channels 轉換舊 checkpoint，行為不變、待微調才生效。
VideoConditionByMaskChannels：(K+1) 語意 mask → 空間下採樣 + 時間 8× 堆疊 → 寫入尾端 driving token（target 保持零，符合論文）。
驗證通過（verify_mask_channels.py）：向後相容、zero-init 加寬 forward == baseline、mask pipeline 不 crash。僅驗證 plumbing，畫質需 Phase 3 微調。

Phase 3 — 訓練整合（ltx-trainer）⬜ 未開始

dataset 產出 (target, driving, mask)，接上 Phase 1/2 conditioning，設微調 loss 與凍結策略。

Phase 4 — Pipeline + CLI 包裝 ⬜ 未開始

仿 lipdub.py 寫 scail_animation.py pipeline + arg parser。

Phase 1 簡化取捨（記錄，Phase 2 需回頭處理）

(a) driving 時間座標直接複製 target 的（token-wise），故 driving 需與 target 同 F/H/W。
(b) 單一 frozen driving group 的 attention_mask 維持 None（= 全連接，target 完全看得到 driving），與 reference cond 一致。
(c) ANIMATION 與 REPLACEMENT 在 Phase 1 產生相同 driving 座標 — mode 差異（z_ref 的 ΔH_ref 高度位移、target 時間原點、mask channel）屬 Phase 2，enum 先保留佔位。

參考

論文：arXiv:2606.10804 — SCAIL-2: Unifying Controlled Character Animation with End-to-end In-Context Conditioning
官方實作：zai-org/SCAIL-2（GitHub / HuggingFace），建構於 Wan 2.1
藍本檔案：packages/ltx-core/src/ltx_core/conditioning/types/reference_video_cond.py

4.4 KiB Raw Blame History Unescape Escape