训练集构建时，reference image 如何选择？

[gobigrassland]

（1）最近也在复现这篇论文的训练代码，刚开始我选择reference image是距离target/gt image 一定距离外的帧，比如5-25帧外。之所以如此，是考虑很多视频脸部在不断运动且幅度比较大，比如抖音短视频中卖货的主播等等。今天首次看到有train_codes这个分支，其中代码一直是选择超过5帧以外的任意一帧作为reference image. 为什么这样选择，难道这种视频头部运动幅度较大不会影响训练效果吗？

img_name = random.choice(video_imgs)
            img_idx = int(basename(img_name).split(".")[0])
            random_element = random.randint(0,len(video_imgs)-1)
            while abs(random_element - img_idx) <= 5:
                random_element = random.randint(0,len(video_imgs)-1)
            img_dir = os.path.dirname(img_name)
            ref_image = os.path.join(img_dir, f"{str(random_element)}.png")

（2）关于该项目，reference image的目的是什么？ 本来已经有masked image，期望通过音频驱动，补全与音频一致的嘴巴区域。那reference image目的是进行进一步约束得到较好重建结果，避免mask区域生成偏离太多？ 再回到第1个问题，如果reference image 和 target image 偏差较大了。这种reference image有多少正向作用呢？

希望作者答疑解惑一下~

[gobigrassland]

下面图片，左侧是reference image, 右侧是target/gt image. reference image是选择25帧之外的，原视频头部运动幅度较大，25帧外差异就很大了。 随机挑选2组。

[czk32611]

(1) reference image确实是一个研究方向，我们也正在对比实验。采用随机采样也是大部分论文所用的方法，我们的baseline方法就如此继承了。

(2) reference image的目的是给模型提供下半脸的外貌信息

[hnsywangxin]

外的任意一帧作为reference i
@czk32611 您好，我有2个问题：
1：我看了论文，在参考帧的选择上面，论文写的是” Selective Information
Sampling“，为啥代码中还是随机的呢，这是出于什么考虑
2：从整个架构看，VAE发挥的作用至关重要，我看咱们用的还是sd1.5的vae，最近sd3.5的vae已经发布，从效果上看据说比原来的好很多，参考：https://huggingface.co/AuraDiffusion/16ch-vae
我改变了vae权重，但是效果反而变差了（更加模糊），能帮我看看是哪里出问题了嘛，这是我最新的musetalk.json:

谢谢