SpecLoR：用于运动相干文本到视频生成的频谱前瞻校正

流匹配通过潜在 ODE 采样实现了强大的文本到视频生成。然而，速度近似和数值离散误差不可避免地会累积，导致采样轨迹漂移。因此，生成的视频经常出现严重的时空不一致。然而，直接纠正这些漂移的、有噪声的潜在特征是具有挑战性的：（i）时间步长相关的噪声掩盖了可靠的结构线索； (ii) 空间干预可能会破坏复杂的局部几何形状，同时产生大量的计算成本。为了解决这个问题，我们提出了频谱前瞻校正（SpecLoR），这是一种即插即用的推理方法，通过前瞻预测绕过噪声，并通过将校正转移到频域来规避时空纠缠，在频域中可以轻松获得自然视频的通用统计先验。首先，在早期采样阶段，SpecLoR 会向前估计干净的潜在 $z_{t,0}$ 并计算其 3D 时空频谱。接下来，SpecLoR 校正幅度谱以匹配先前的幅度谱，保持相位不变。最后，对校正后的状态重新进行噪声处理以恢复 ODE 积分。 Wan2.2 上的实验表明，SpecLoR 显着减少了物理伪影，并以最小的计算开销（4 个额外的 NFE）增强了跨多个基准的运动一致性。