TL;DR

이 모델은 Lightricks LTX-2.3을 기반으로 한 LoRA 확장으로, 여러 정적 레퍼런스를 의사 비디오 시퀀스로 변환해 타깃 비디오 라텐트와 동일한 표현 공간에서 처리하는 방식을 채택했다. 각 참조는 토큰 수준의 시각 메모리로 보존되어 자기어텐션을 통해 타깃 토큰이 필요 속성을 직접 조회할 수 있으며, 이로써 다중 인물 정체성 보존과 참조 간 속성 선택적 결합이 가능해졌다. V2는 V1 대비 정체성 일관성·생성 안정성·장면 논리에서 개선을 보고하고 있으며 ComfyUI용 플러그인과 샘플 워크플로우를 통해 실험을 재현할 수 있다. 다만 플러그인 의존성과 레퍼런스 구성 복잡성, 고속 모션에서는 50 fps 권장과 같은 운영 상 고려사항이 존재한다.

핵심 포인트

• 레퍼런스를 의사 비디오 시퀀스로 변환해 기존 자기어텐션으로 직접 조회하게 함으로써 별도 융합 모듈 없이 다중 레퍼런스 통합을 실현했다.
• 토큰 수준의 시각 메모리 보존을 통해 얼굴·의상·소품 등 미세 속성의 선택적 결합이 가능하도록 설계되었다.
• V1 대비 정체성 일관성, 생성 안정성, 장면 논리 측면에서 개선점을 제시하며 비교용 미디어를 통해 시각 차이를 확인할 수 있다.
• 아키텍처 변경 없이 참조 정보를 토큰 수준에서 보존하고 자기어텐션으로 직접 호출하도록 함으로써 정체성 드리프트를 줄이는 구조적 이점을 가지고 있다. 이 접근은 외부 융합 모듈을 도입하지 않아 기존 LTX-2.3 파이프라인과 호환성을 유지한다. 결과적으로 동일 플랫폼 환경에서 성능 개선을 상대적으로 쉽게 적용할 수 있다.