Diffusion Model

现有Subject-to-Video方法在动态姿态和多主体场景下常出现身份漂移与角色混淆。Vera通过构建百万级身份对齐数据集，引入IFMS强化面部监督，并利用RALA稳定DiT中的参考交互。实验显示其在FaceSim-Arc上达0.571，显著优于VACE。需注意：过度强调面部权重会损害运动平滑性，且目前不支持视频参考输入。