ArticleMetadataMain page

source · 2026-04-17

Encapsulated Composition（CVPR 2025）：组合式文本到图像/视频模型高质量视频合成

#near-cvpr-2025#video-generation#image-generation#primary-source

Encapsulated Composition（CVPR 2025）：组合式文本到图像/视频模型高质量视频合成

会议：CVPR 2025
发表日期：2025-06-11
资料加入日期：2026-04-14
深分析稿：raw/ingest/2026-04-14-encapsulated-composition-t2i-t2v/analysis

一句话结论

这篇论文证明了模块组合系统并不天然弱于统一大模型：通过封装式组合 T2I 的图像先验与 T2V 的时序先验，并用 selective feature injection 精细控制信息流，可以同时提升视频质量、运动平滑度和推理效率。

论文定位

它是“modular composition”路线里的代表作。与追求统一大模型不同，这篇论文把重点放在推理阶段的系统封装与信息注入设计上。

问题定义

作者面对的是 T2V 的长期矛盾：

  • 画质高时，时序往往不稳
  • 时序自然时，单帧细节又容易不足

简单逐帧调用 T2I 会闪烁，纯 T2V 又常常失去图像质量。

方法概述

论文主线有三层：

  1. encapsulated composition of T2I and T2V

    2. 在推理层面组合两个预训练系统，而不是重新训练统一模型。

  1. T2I/T2V denoising composition

    2. 研究不同去噪组合方式，说明简单串联不能得到理想结果。

  1. Selective Feature Injection（SFI）

    2. 只提取 T2V 中对时序有价值的特征，而不把其较弱外观带入 T2I，从而同时保住画质与一致性。

关键发现

  • 模块组合系统可以同时提升画质和运动平滑度。
  • SFI 是平衡 image prior 与 temporal prior 的关键机制。
  • 组合路线在推理速度上也有优势，说明它不只是质量策略，也是工程策略。
  • 这篇论文为统一模型路线提供了非常强的反向证据。

关键图示

组合式去噪框架

!900

这一页解释 T2I/T2V 去噪流程如何被封装组合，以及为什么简单串联不能得到理想结果，是理解论文的主图。

Selective Feature Injection 机制

!900

这一页最适合解释 SFI：如何提取 T2V 的 temporal prior，同时避免低质量外观污染 T2I 结果。

主结果页

!900

这一页集中展示与多个 baseline 的定性和定量比较，是说明 modular composition 路线竞争力的关键证据页。

核心实验与结果

  • 论文显示组合式系统可以显著提升视频视觉质量和运动一致性。
  • 主结果页说明它不是只在单一场景有效，而是在多个 baseline 对照下都具有优势。
  • 速度相关分析进一步说明模块封装并不必然带来更重的推理成本。
  • 这篇论文把“统一模型 vs 模块组合系统”的问题从抽象讨论拉回了实证层面。

局限或疑问

  • 主要在视频合成侧成立，不能直接外推到图像生成/编辑的全局结论。
  • 训练免费组合的长期上限是否高于深度统一训练框架，仍需更多长期比较。
  • 目前更偏系统设计优势，跨任务统一对照仍然有限。

对当前 wiki 判断的影响

  • 它显著补强了 questions/question-will-unified-image-models-sustain-their-advantage：模块组合系统也是非常强的竞争者。
  • 它让 topics/video-generation 不再只围绕统一模型或单主干改造，而是增加了一条系统封装路线。
  • 这篇论文提醒我们，工程上更强的系统未必来自更大的单体模型，也可能来自更聪明的模型组合方式。

相关页面

原始链接

  • https://openaccess.thecvf.com/content/CVPR2025/html/Su_Encapsulated_Composition_of_Text-to-Image_and_Text-to-Video_Models_for_High-Quality_Video_CVPR_2025_paper.html
  • https://openaccess.thecvf.com/content/CVPR2025/papers/Su_Encapsulated_Composition_of_Text-to-Image_and_Text-to-Video_Models_for_High-Quality_Video_CVPR_2025_paper.pdf
  • http://arxiv.org/abs/2507.13753

Metadata

{
  "id": "2026-04-14-encapsulated-composition-t2i-t2v",
  "type": "source",
  "title": "Encapsulated Composition（CVPR 2025）：组合式文本到图像/视频模型高质量视频合成",
  "status": "reviewed",
  "created": "2026-04-14",
  "updated": "2026-04-17",
  "venue": "CVPR 2025",
  "ingested_at": "2026-04-14",
  "tags": [
    "near-cvpr-2025",
    "video-generation",
    "image-generation",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Tongtong Su",
    "Chengyu Wang",
    "Bingyan Liu",
    "Jun Huang",
    "Dongming Lu"
  ],
  "published_at": "2025-06-11",
  "canonical_links": [
    "https://openaccess.thecvf.com/content/CVPR2025/html/Su_Encapsulated_Composition_of_Text-to-Image_and_Text-to-Video_Models_for_High-Quality_Video_CVPR_2025_paper.html",
    "https://openaccess.thecvf.com/content/CVPR2025/papers/Su_Encapsulated_Composition_of_Text-to-Image_and_Text-to-Video_Models_for_High-Quality_Video_CVPR_2025_paper.pdf",
    "http://arxiv.org/abs/2507.13753"
  ],
  "raw_entry": "raw/ingest/2026-04-14-encapsulated-composition-t2i-t2v/",
  "analysis_note": "raw/ingest/2026-04-14-encapsulated-composition-t2i-t2v/analysis.md",
  "image_index": "raw/ingest/2026-04-14-encapsulated-composition-t2i-t2v/images/index.md",
  "topics": [
    "topics/video-generation",
    "topics/image-generation",
    "topics/diffusion-models"
  ],
  "entities": [
    "entities/diffusion-transformer"
  ],
  "claims": [],
  "questions": [
    "questions/question-will-unified-image-models-sustain-their-advantage"
  ]
}