Midjourney 妙鸭相机 Gen2新玩法：10块钱一键图生视频（含教程）(16)

下图是其它的一些定性比较。
RGB传播只能获取光流等低层次的线索，因此在内容展示或动态复杂的视频中会产生视觉假象。
而Text2LIVE则基于CLIP，没有利用扩散模型的生成先验，因此在视觉质量方面受到更多限制。

当然，这套框架也有一些局限性。
研究人员的方法是根据原始视频的特征对应关系来编辑视频，因此无法处理需要有结构偏差的编辑。