面向语义一致的插值：锚定注意力与时间尺度重缩放

生成式插值（GI）旨在合成第一个和最后一个关键帧之间的真实中间帧，超越简单的插值。随着序列变稀和运动变大，之前的GI模型在帧率不稳定和语义错位的情况下难以处理。由于GI涉及固定端点和众多可能的路径，该任务需要从关键帧和文本获取额外的指导，以指定预期的路径。因此，我们通过关键帧锚定注意力偏置，将语义和时间指导从关键帧和文本传递到每个中间帧。我们还通过重缩放时间RoPE来更好地实现帧的一致性，该方法允许自注意力更忠实地注意关键帧。TGI-Bench是第一个专为文本条件GI评估设计的基准， enables challenge-targeted evaluation to analyze GI models. 在无需额外训练的情况下，我们的方法在各种挑战下实现了最高的帧一致性、语义忠实度和节奏稳定性，适用于短序列和长序列。