需要注意的是，整个时间自注意力（T-Attn）层都进行了微调，因为它们是新添加的，但在微调过程中只更新了 ST-Attn 和 Cross-Attn 中的查询投影，以保留先前的文本到图像知识。如何保持高质量的时间一致性的关键挑战，Lumiere（Bar-Tal 等，2024 年）相反采用了一种称为空时 U-Net（STUNet）的架构，通过单次传递生成整个视频的整个时间持续周期，从而消除了对 TSR