Hierarchical Latents

시간 축을 여러 해상도 수준으로 나눈 잠재 토큰 구조를 의미한다. 상위 수준 토큰은 전체 계획이나 전역 정보를, 하위 수준 토큰은 프레임 단위의 세부 시각 상태를 표현하며, 계층적 디노이징은 상위에서 하위로 점진적으로 불확실성을 줄여 최종 영상을 생성한다.