视频生成模型陷入细节丢失与局部黑块困境的突破路径

当基于 Flow Matching 的时空 UNet 架构参数量控制在 20.8M 时，若在 64x64 分辨率与 16 帧长度的设定下画质停滞，单纯延长训练周期往往无效。若 Loss 曲线在 0.063 附近反复震荡且 160 到 280 epoch 期间降幅不足 0.006，应优先调整学习率调度策略并优化注意力层级，而非继续依赖当前配置，否则模型将始终无法从模糊的统计分布中析出高频细节。

在笔记本显卡负载下，通过 Temporal Convolution Blocks 和 Temporal Attention 维持帧间一致性的 20.8M 模型，其通道数设置在 96 到 384 之间。针对 6000 段《猫和老鼠》视频素材的训练，目前采用的 Adam 优化器与 2e-4 的固定学习率导致了收敛瓶颈。固定学习率在高频特征捕获阶段缺乏精细调节能力，极易导致模型在局部最优解附近徘徊，从而引发后期输出区域性发黑或纹理平滑化的“肉感”问题。

现有 20.8M 的参数规模对于 64x64 分辨率的处理尚能覆盖宏观布局，但面对复杂边缘重建时显得力不从心。若期望突破当前画质上限，需在损失函数中引入 LPIPS 感知损失或对抗损失来修正纯 MSE 带来的平均化倾向，并辅以 Cosine Decay 等衰减机制避免震荡。若上述调整后 Loss 依然无法进一步下探，则必须重新审视空间注意力机制的分布逻辑，通过增加更多分辨率层级的注意力算子来强化对图像内部结构的建模能力。一旦模型容量与分辨率的映射关系达到饱和，继续增加样本多样性也无法改变模型架构本身的容量限制。