一句话结论
CCEdit 用冻结 Stable Diffusion/ControlNet、可训练 temporal layers 与 edited-key-frame appearance encoder，把结构保持和创意外观控制拆开；mini-BalanceCC 的 33 人/1,119 条人评支持总体偏好，但自动时序指标不领先、私有训练数据和重 side branches 限制复现与效率结论。
输入、输出与方法
- 输入源视频、target prompt、逐帧结构图，可选 edited center frame、personalized SD checkpoint 或 LoRA；输出同时间轴的 style/object/background/compound edit。
- main branch 在 SD1.5 U-Net 各空间 block 后加入 zero-init temporal conv/attention，只训练 temporal layers。
- structure branch 是冻结 ControlNet，支持 line/PiDi/depth/scribble；appearance branch 用 VAE+复制的 U-Net encoder 抽取 edited key-frame 多尺度特征。
- anchor prior 把关键帧 latent 以 $\alpha=0.03$ 加到各帧起始噪声，减少局部 flicker。
- 长视频先迭代编辑稀疏 key frames，再以相邻已编辑 key frames 为首尾插值；展示超过 240 帧，但无长视频定量。
- 架构是 Stable Diffusion latent U-Net，不是 DiT；属于 source-conditioned editing，不是从零 T2V 或视频理解。
数据、benchmark 与成本
- 训练：WebVid-10M + 未披露规模的私有数据；17 帧、4 FPS、$384\times576$，batch 32，LR $3\times10^{-5}$，各模型 100K iterations。
- 冻结 main spatial weights 与 structure branch，训练 temporal layers 和 appearance branch；训练 GPU、时长、总参数与显存未报告。
- BalanceCC：100 个 open-license 视频，2–20 秒、约 30 FPS；每视频 style/object/background/compound 4 prompts，共 400 prompt slots，含 scene/camera/object motion/fantasy 1–3 标注。
- 主比较用 mini-BalanceCC 50 videos；统一 SD1.5、17 帧、6 FPS、depth。
- DDIM 30 steps、CFG 9。17 帧 runtime：key-frame/PnP 等预处理 134 秒、推理 46 秒、总 170 秒；无 inversion，但不是最快。
人评与自动指标
- 8 个基线；33 volunteers，1,119 ratings，MOS 评 edit accuracy/aesthetics/temporal/overall，并做 pairwise。
- CCEdit MOS：4.06 / 4.00 / 3.74 / 3.87；TokenFlow：3.78 / 3.61 / 3.79 / 3.58。
- 对 TokenFlow：CCEdit win 52.9%、tie 14.7%、lose 32.4%；temporal MOS 并非第一。
| 方法 | Tem-Con↑ | Text-Ali↑ | Pick↑ |
|---|---|---|---|
| ControlVideo | 0.950 | 0.285 | 0.210 |
| TokenFlow | 0.949 | 0.270 | 0.210 |
| CCEdit | 0.936 | 0.281 | 0.213 |
人评与 CLIP 自动指标存在明显张力；高 Tem-Con 也可能奖励保守或模糊结果。
消融、失败与边界
- 无 edited key frame 的 MOS 2.88，完整系统 3.87；但此对照同时引入外部 PnP/人工关键帧质量，增益不能全归于 encoder。
- anchor prior、structure/appearance scales 主要是定性消融；缺 temporal/structure branch 的完整数值 ablation。
- rabbit→tiger 等大结构变化会与源 depth/edge 冲突；key-frame 错误会传播。
- 两个重 encoder 增加参数、显存和时延，附录承认这一点但未量化。
- GPT-4V 仅看中心帧辅助建 benchmark，不能覆盖动作语义；33 人人评无置信区间、显著性或 inter-rater agreement。
- >240 帧只有案例，没有多镜头、身份漂移、runtime 或长度 scaling 数据。
对当前 Wiki 判断的影响
- 对 视频编辑：提供结构条件与关键帧外观分支解耦的 dataset-trained 路线。
- 对 扩散模型：冻结 U-Net 空间先验、训练 temporal/appearance plugins 可免 per-video tuning，但会增加前向参数和关键帧预处理。
- 对 视频编辑理解 与 benchmark 问题：创意可控性主要由人评支撑，自动 CLIP consistency 无法覆盖局部性、身份与意图理解。
证据评级
B（人评规模与完整系统比较较强；自动指标、训练透明度和长视频边界限制结论）。