LTX-Video 的 VAE 实现 1:192 高压缩比，通过时空下采样和解码器双重任务优化视频生成效率。

VAE 核心设计

高压缩效率

• 压缩比：1:192（空间 32 倍 + 时间 8 倍）
• 效果：大幅减少 Transformer token 数量，支持实时生成

关键创新

潜在空间优化

• 重建 GAN：判别器对比同一视频原始帧与重建帧
• 多层噪声注入：增加高频细节多样性
• 均匀 log 方差：所有通道均匀参与信息编码

Image Condition 机制

通过逐标记时间步控制实现从第一帧生成视频。

核心改进

传统模型所有标记使用相同时间步，LTX-Video 允许每个标记拥有独立时间步。

推理流程

1. 编码条件图像（第一帧）为 latent
2. 拼接编码 latent 与随机噪声 latent
3. 设置逐标记时间步：
   • 条件标记：小值 $t_c$（低噪声）
   • 生成标记：$t=1$（纯噪声）

无需特殊标记或额外训练模型，仅通过调整时间步实现条件控制。