Files

T

indigo baa6646fd1 Add SCAIL-2 driving-latent conditioning (Phase 1, inference PoC)

Port mechanisms 1+3 of SCAIL-2 (arXiv:2606.10804) to LTX-2: concatenate a
driving video latent directly into the DiT token sequence with a width-axis
RoPE offset (ΔW) so driving coords stay detached from the target video.

- New VideoConditionByDrivingLatent + DrivingMode in ltx-core conditioning,
  modeled on VideoConditionByReferenceLatent (patchify -> positions -> append
  -> attention mask). Applies ΔW width shift, aligns time to the target, and
  guards against RoPE wrap (max_pos) and target/driving shape mismatch.
- Export both from conditioning packages.
- docs/plan.md and docs/tasks.md track the phased port.

Inference-only: no weight changes. Mechanism 2 (in-context mask channels,
patchify_proj widening) and training are deferred to Phase 2+. Validated via
plumbing checks and a real (random-weight) transformer forward smoke run;
visual quality is not validated (requires Phase 2/3 finetuning).

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

2026-07-09 09:06:35 +08:00

4.0 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）⬜ 未開始

model.py:158 patchify_proj 由 Linear(128, inner) 加寬到 Linear(128+28, inner)。
LatentState 增加 optional conditioning-channel 欄位，跟著 patchify/concat/clear 流動。
投影前 concat（transformer_args.py:209）。
新輸入欄位 zero-init，載入舊 checkpoint 行為不變；寫 checkpoint 轉換 script。
新增產生 28-channel mask（環境開關 + 角色槽）的 conditioning item。

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

4.0 KiB Raw Blame History Unescape Escape