何时锁定注意力：基于训练-free 方法的视频扩散中的 KV 控制

在视频编辑中，保持背景一致性的同时提升前景质量仍是核心挑战。注入完整图像信息常导致背景伪影，而刚性锁定背景则严格限制模型的前景生成能力。为此，我们提出 KV-Lock—a 一个针对 DiT 基于视频扩散模型的训练-free 框架。我们的核心洞见是，幻觉指标（去噪预测方差）直接量化生成多样性，这与无条件指导 (CFG) 比例本质上相关。基于此，KV-Lock 利用扩散幻觉检测，动态调度两个关键组件：缓存背景 key-value (KV) 与新生成 KV 之间的融合比例，以及 CFG 比例。当检测到幻觉风险时，KV-Lock 加强背景 KV 锁定，同时放大前景生成的条件指导，从而减轻伪影并提高生成保真度。作为训练-free、即插即用模块，KV-Lock 可轻松集成到任何预训练的 DiT 基于模型中。广泛实验验证表明，我们的方法在提升前景质量的同时，实现了更高的背景保真度，在各种视频编辑任务中均优于现有方法。