ShotPlan

该方法向预训练视频扩散 Transformer 注入可学习的规划 token，并为其分配带小数时间位置的 RoPE 编码。这些 token 会在去噪过程中引导模型朝目标转场事件收敛，随后在解码前被移除，因此输出形状和推理开销仍与基础模型保持一致。

ShotPlan 适合需要通过单条提示实现多镜头结构的 AI 电影创作者、视频生成研究者和工具开发者。它有助于生成具备帧级精确切换、交叉淡化、局部相机运动以及更连贯叙事节奏的视频。