一句话结论
FADE 用 CogVideoX 类 48-block 视频 DiT 做真实视频的 training-free prompt 编辑：只从前四个低频“sketching blocks”提取时空注意力，经 3D DFT 低通后修正 DDIM 采样，约 3 分钟完成外观或运动编辑；证据限于 20 条短视频，重遮挡和严格身份保持仍未解决。
问题定义
视频编辑既要改变目标对象/动作，又要保留未编辑区域和跨帧连续性。逐视频优化超过15分钟，全 attention 注入又耗显存且限制姿态/运动变化。论文问：能否不训练新参数，只利用预训练视频 DiT 内部的功能分工来做更灵活的编辑？
方法概述
- 对源视频做50-step DDIM inversion，保存源轨迹。
- 用目标 prompt 从同一噪声采样；源、目标双分支共享底座。
- 将前4/48 blocks 定为 sketching blocks，只取其 full-attention输出。
- 对时空特征做3D DFT，低通后计算源/目标低频差异。
- 在前0.6T采样区间把该差异的归一化梯度加入DDIM更新。
底座有3D VAE与DiT；FADE是其上的测试时编辑方法，不是新DiT backbone。appearance edit主要改名词/纹理/背景，motion edit改动词、姿态和动态；没有mask、轨迹或identity embedding接口。
数据、成本与评测
- DAVIS与in-the-wild视频；主定量只含20条。
- 单张48GB NVIDIA“LS20”（论文原文型号），guidance 10–15。
- FADE约3分钟；对称blocks 5分钟；全blocks 12分钟。
- 指标：CLIP↑、Mask-PSNR↑、LPIPS↓、OSV↓、人工偏好PF↑。
| 任务 | CLIP↑ | M.PSNR↑ | LPIPS↓ | OSV↓ | PF↑ |
|---|---|---|---|---|---|
| 外观编辑 | 0.3762 | 20.69 | 0.3085 | 31.36 | 0.35 |
| 运动编辑 | 0.3683 | 19.26 | 0.3692 | 32.28 | 0.43 |
摘要中的0.3561 CLIP、43.57 OSV、21.54 Mask-PSNR、0.3297 LPIPS是另一聚合口径，不能与正文分任务表混成一组成绩。
消融与人评
前四块方案 CLIP 0.3728、OSV 31.77、3分钟；全块方案0.3691/32.05、12分钟。去低通后CLIP降到0.3612，支持“抑制源高频泄漏”的解释。全块Mask-PSNR略高，说明方法取得的是编辑/保真/成本平衡，并非所有指标最优。
PF为最高偏好，但论文未披露参与者人数、票数、置信区间或显著性，人工结论只能作为支持性证据。
局限或疑问
- 单一CogVideoX类底座、20-video小样本，block频率分工未跨模型验证。
- 重遮挡需要高级时序推理，是作者明确失败点。
- 低频结构保持不等于人脸/主体身份保证。
- 未报告准确峰值显存、分辨率/长度下FLOPs，也未计预训练底座成本。
- 不是长视频流式编辑，也没有mask/轨迹等精确局部控制。
相关页面
证据评级
B+：方法、指标和成本消融明确；小样本、人评披露不足、底座单一与身份/遮挡边界限制外推。