效果非常好, 有官网展示实验结果很清楚, 一眼就知道它们在做什么, github有14.7k star但是没有开源代码, 不知道考虑伦理问题还是什么, 有点可惜.

1. 人物IP保持很好. 使用CLIP提取予以特征, 另外基于SD的权重训练了一个ReferenceNet提取详细特征. 特征注入方面, 将提取到的特征通过了Spatial-attention, Temporal-Attention等注意力块, 和北师大PoPDG那篇方法差不多.
2. 动作连续性. 因为输入中有Pose Sequence, 这个连续性好我觉得是应该的.
3. 用到了VAE压缩图片, 减小计算量.

听说这篇文章有人已经复现出来了, 但是毕竟官方没有开源, 不想就通过这一篇论文去概括这个领域的发展现状, 放在以后讨论.