异步噪声策略:LCT创新性地为每个镜头应用独立的扩散时间步。这使得在训练过程中，模型能够学习不同镜头之间的动态依赖关系，并更有效地利用跨镜头的信息。例如，当一个镜头的噪声水平较低时，它可以自然地作为视觉信息的丰富来源，指导其他噪声较高的镜头的去噪过程。这种策略也为后续的视觉条件输入和联合生成提供了便利.

实验结果表明，经过LCT调整的单镜头模型在生成连贯的多镜头场景方面表现出色，并展现出一些令人惊喜的新能力。例如，它可以根据给定的角色身份和环境图像进行组合生成，即使模型之前没有接受过此类任务的专门训练。此外，LCT模型还支持自回归的镜头扩展，无论是连续的单镜头延伸还是带有镜头切换的多镜头扩展都可以实现。这项特性对于长视频的创作尤其有用，因为它将长视频生成分解为多个场景片段，方便用户进行交互式修改。

更进一步，研究人员还发现，在LCT之后，具有双向注意力的模型可以进一步微调为上下文因果注意力。这种改进的注意力机制在每个镜头内部仍然保持双向关注，但在镜头之间，信息只能从先前的镜头流向后续镜头。这种单向的信息流使得在自回归生成过程中可以高效地利用KV-cache（一种缓存机制），从而显著降低计算开销。

如图1所示，LCT技术可以直接应用于短片制作，实现场景级的视频生成。更令人兴奋的是，它还催生了交互式多镜头导演、单镜头扩展以及零样本的组合生成等多种新兴能力，尽管模型从未针对这些特定任务进行过训练。如图2展示了一个场景级视频数据的示例，它包含全局提示（描述角色、环境和故事梗概）以及针对每个镜头的具体事件描述。

总而言之，长上下文调整（LCT） 通过扩展单镜头视频扩散模型的上下文窗口，使其能够直接从数据中学习场景级的连贯性，为更实用的视觉内容创作开辟了新的道路。这项技术不仅提升了AI生成视频的叙事能力和连贯性，也为未来的长视频生成和交互式视频编辑提供了新的思路。我们有理由相信，未来的视频创作将因为LCT等技术的进步而变得更加智能化和更具创造力。