Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

Feature Request: Expose last_image parameter and support multi-frame reference conditioning

Đang mở
  • Có gì không ổn?
#36 0 bình luận 2 reaction 0 người được giao Xem trên GitHub

Chưa có ai nhận issue này.

Đánh giá

Độ khó
5/5
Thời gian dự kiến
Hơn một tuần
Mức phù hợp với người mới
35/100
Loại issue
Tính năng
Độ rõ ràng
Khá rõ ràng
Mức độ hoạt động
Đình trệ
Công nghệ
python
Lĩnh vực
ai

Hướng nghiên cứu

Bắt đầu trong pipeline_mova.py tại prepare_latents (dòng 261) và điểm vào call của pipeline. Theo dõi cách call hiện cung cấp đối số last_image, sau đó xác minh rằng yêu cầu FLF2V tối thiểu đã đầy đủ khi tham số đó đến prepare_latents; công việc conditioning multi-frame rộng hơn đòi hỏi phải giải quyết các vấn đề về cầu nối audio-video và conditioning theo segment được mô tả ở đây.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

Feature Request

  1. Expose last_image in pipeline call

prepare_latents already accepts a last_image parameter (pipeline_mova.py:261), but call hardcodes it to None. This
is a minimal change — just wire the parameter through to enable first+last frame conditioning (FLF2V mode).

  1. Multi-frame reference conditioning (longer-term)

WAN 2.2 supports FLF2V (first-last-frame to video) and per-frame reference conditioning (Time to Move), which enables
much longer coherent video generation by providing visual anchors throughout the sequence.

Adding similar support to MOVA would be especially valuable for audio-conditioned generation, where longer clips are
needed to match dialogue or music. Currently the only way to extend duration is to increase num_frames, which quickly
hits VRAM limits at higher resolutions.

Key considerations for MOVA specifically:

  • How per-frame visual references would interact with the audio-video bridge cross-attention
  • Whether reference frames could help maintain lip sync coherence over longer durations
  • Potential for segment-based generation with overlapping context (difficult today because audio conditioning can't be
    cleanly split)

Context

The base WAN architecture already supports this — MOVA's prepare_latents even has the last_image code path. The main
gap is in the pipeline interface and extending beyond two reference frames.

Ngôn ngữ chính
Python
Star
1.1k
Fork
95
Không có pull request nào được merge trong 30 ngày

Chuẩn bị môi trường

Dự án này không cung cấp dev container, Dockerfile hay hướng dẫn đóng góp, nên bạn cần tự thiết lập môi trường: hãy bắt đầu từ README và xem hướng dẫn đóng góp lần đầu của chúng tôi để biết các bước chung.

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của OpenMOSS/MOVA

Tất cả issue của OpenMOSS/MOVA

Issue tương tự

Thêm issue về Python

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.