indigo
baa6646fd1
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>
62 lines
4.0 KiB
Markdown
62 lines
4.0 KiB
Markdown
# 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
|
||
|
||
1. **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。
|
||
2. **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。
|
||
3. **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`
|