一句话结论
MaskINT 把语义编辑交给 Stable-Diffusion/ControlNet 关键帧联合编辑，把中间帧交给 100K 视频训练的 masked transformer；16 帧 22 秒、比 TokenFlow 快约 6.8×，但一致性指标弱于 TokenFlow/ControlVideo，且只能做结构保持型编辑。
模型接口与训练
- 输入源视频、文本、每帧 HED/depth structure map 与关键帧；输出与源结构对应的编辑视频。
- Stage 1：ControlNet 编辑关键帧，跨关键帧共享 self-attention K/V。
- Stage 2：Retina-VQ 把 RGB/structure 离散化，Transformer-Base 用 window-restricted attention 和 MaskGIT 32-step decoding 补中间帧。
- Stage 2 不读文本，只从关键帧外观与全帧结构插值；“不需要 text-video pairs”不等于模型不依赖 diffusion editor。
- 训练用 ShutterStock 100K videos、16 帧、384×672、100 epochs；训练 GPU-hours/参数量/batch 未报告。
评测与结果
测试 40 DAVIS + 30 ShutterStock videos，每视频 5 个手写 prompts。指标为 CLIP prompt/temporal consistency、RAFT warp error 与 all-pair long-term error；无主实验人评。
MaskINT 在 DAVIS P.C./T.C./W.E./L.C. 为 .311/.952/9.5/27.7，ShutterStock 为 .304/.971/8.6/22.3，时间 22s。TokenFlow 对应 .317/.977/7.0/19.6 与 .313/.987/5.4/15.8，时间 150s。结论是明显提速、质量代理可比，不是质量领先。
插帧消融中 MaskINT 优于 FILM/RIFE，但它额外获得所有中间帧 structure map，输入协议并不对称。32→128 decoding steps 只小幅增 T.C.，时间 22→62s。
Judge、污染与任务边界
- 没有 LLM judge 或透明 human study；CLIP consistency 会奖励未编辑，RAFT 对遮挡/结构变化不稳。
- ShutterStock train/test 同源且未报 asset-level 去重；70 个“selected”视频与 prompt 选择标准不明。
- 无 edit locality、identity、source preservation 或结构变化成功率。
- 明确不能 dog→horse、新对象出现或大结构变化；Stage-1/structure detector 失败会传播。
证据评级
B-（两阶段效率证据清楚；测试小、无主实验人评、训练成本与数据去重不透明，结构编辑能力受限）。