LRecCAR

本文发现联合多模态扩散里视频到伴生模态的对应远强于反向路径，并提出 RecCAR，用停梯度 KL 把较弱的模态到视频对应拉向已建立的视频到模态对应，从而提升视频-动作与视频-音频一致性。