SteerVTE 实现带风格与字形控制的无缝视频文字编辑

SteerVTE 提出统一框架，通过风格与字形控制引导冻结视频扩散模型，实现高精度的视频文字编辑。 该方法包含轻量文本上下文适配器、字形感知空间聚焦损失及三阶段渐进训练课程。 团队构建了包含一百万三元组的 SteerVTE-1M 数据集，实验显示其显著优于现有基线。