一句话结论
Video-P2P 把 SD1.5 U-Net inflation 成 Text-to-Set model，逐视频微调后用所有帧共享的 null embedding 精确 inversion，再以 source/target 两套 guidance 融合 Prompt-to-Prompt attention；它提升对象语义一致与局部编辑，但 8 帧约需 12 分钟、不能改 motion，且 10-video 评测与未披露 protocol 的人评限制证据。
输入、输出与方法
- 输入 real video、source prompt、target prompt；输出 8 或 24 帧、$512^2$ 编辑视频。
- SD1.5 2D conv inflation 为 $1\times3\times3$，加入 temporal attention；每帧 frame-attention 以第一帧提供 K/V。
- 对目标视频微调 query projections/temporal attention 500 steps，得到 approximate inversion model。
- DDIM inversion 后逐 step 优化所有帧共享的 unconditional embedding，以较小参数量重建视频并稳定跨帧语义。
- source branch 用 optimized null 保 reconstruction；target branch 用 initialized null 保 editability；早期 denoising steps 做 cross-attention replacement，并用 token attention binary mask 混合 source/target latents。
- 支持 word swap、prompt refinement、attention re-weighting、局部/全局编辑；不能 motion editing 或复杂对象注入。
- 架构是 Stable Diffusion v1.5 latent U-Net，不是 DiT；这是 real-video inversion editing，不是通用 text-to-video generation。
数据、成本与接口
- 无 dataset-level video training；每个测试视频逐视频优化。
- 10 个 YouTube videos；论文未给 prompt 总数、清单、许可或 split。
- 单 V100、8 帧：model tuning 5 分钟、inversion 6 分钟、editing inference 1 分钟，总约 12 分钟。
- 未报告 24 帧 runtime、sampling steps、峰值显存、总参数或 scaling。
- attention replacement ratio 0.4、threshold 0.3、prompt refinement ratio 0.4，并可按案例调节；固定调参协议不清楚。
自动指标与人评
| 方法 | CLIP↑ | M.PSNR↑ | LPIPS↓ | OSV↓ |
|---|---|---|---|---|
| TAV+DDIM | 0.3322 | 17.32 | 0.4625 | 55.12 |
| Image-P2P | 0.3269 | 22.99 | 0.3065 | 76.50 |
| Ours w/o DG | 0.3224 | 18.96 | 0.3864 | 68.76 |
| Video-P2P | 0.3361 | 20.54 | 0.3297 | 47.57 |
- Video-P2P text alignment 与 OSV 最好，但背景保持的 M.PSNR/LPIPS 不如逐帧 Image-P2P；不是四项全胜。
- OSV 是论文新提的对象语义方差，外部效度未验证；低 variance 也可能奖励静态/欠编辑。
- 人评中 Video-P2P 的 structure/text/realism preference 为 69.02%/62.50%/69.02%，平均 rank 1.39/1.54/1.43。
- 但论文没有报告参与者人数、样本数、rating 数、显著性或 inter-rater agreement，人评只能视为有限支持。
消融、失败与边界
- inversion：TAV+DDIM 15.43 dB/0.13M；multi-uncond 22.97 dB/22.68M；shared-uncond 22.75 dB/2.94M。shared 的核心优势是少约 7.7× embedding 参数，质量只低 0.22 dB。
- 去 decoupled guidance 后，CLIP 0.3224→0.3361、M.PSNR 18.96→20.54、LPIPS 0.3864→0.3297、OSV 68.76→47.57，支持双 branch guidance。
- 无 500-step initialization 时，inflated T2S 的单帧质量和背景 reconstruction 明显下降；仅定性。
- 第一帧 K/V 设计对首帧不可见面、遮挡后出现对象不稳；仅 8/24 帧，无长视频/跨镜头测试。
- local mask 来自模型 attention，再在其补集测 source preservation，存在循环性。
- Dreamix 只用官方 demo 定性比较，后续更强基线未覆盖。
- 不能改变动作是论文明确边界；token attention 不证明对象关系或时序因果理解。
对当前 Wiki 判断的影响
- 对 视频编辑：Video-P2P 是“图像 Prompt-to-Prompt → 视频逐视频 inversion”的早期节点，局部控制强但预处理慢。
- 对 扩散模型：shared-null 与 decoupled guidance 解决 U-Net reconstruction/editability 张力，不涉及 DiT。
- 对 视频编辑理解：OSV 与 attention locality 只测语义稳定/区域保持，不能覆盖动作重写、遮挡逻辑与复杂意图。
证据评级
B-（历史方法贡献与 DG 消融清楚；数据小、人评不透明、成本高且 motion/长视频边界明显）。