FiLM
一种条件调制机制，由Perez等人于2018年提出，核心思想是用条件信号（如文本）生成缩放参数γ和偏移参数β，对目标特征图进行逐通道仿射变换（FiLM(x) = γ·x + β），最初用于视觉问答任务
时间轴 (近 90 天)
HypTI设计自适应融合模块，为每个受试者生成专属的scale和shift系数，动态调制并整合多模态嵌入，机制与FiLM思想相近。
在双曲空间中进行条件化特征调制需在切空间或通过指数/对数映射进行以保持几何结构。
消融实验显示FiLM几乎承担了全部有效工作，SelfAttention和MemoryCrossAttention在训练好的模型中贡献接近零。
网络结构上CNN处理21x21的局部观察窗口，LSTM跨步骤携带记忆，CNN之上叠加SelfAttention、MemoryCrossAttention和FiLM三个注意力模块。
FiLM是一种条件归一化技术，用辅助网络根据上下文生成缩放系数γ和偏移系数β，对主特征图每个通道做仿射变换：输出 = γ · 特征 + β。
学生模型是一个140万参数的U-Net，配备FiLM滑块用于推理时动态控制天气强度，工作分辨率512×288，单帧推理约26毫秒
FiLM由Perez等人于2018年提出，最初用于视觉问答任务，其核心是用条件信号生成缩放参数γ和偏移参数β对特征进行逐通道仿射变换
MDT采用基于FiLM（Feature-wise Linear Modulation）的文本条件调制机制，让文本信号调制面部与语音特征
全部知识事实 (8)
HypTI设计自适应融合模块，为每个受试者生成专属的scale和shift系数，动态调制并整合多模态嵌入，机制与FiLM思想相近。
50%待验证在双曲空间中进行条件化特征调制需在切空间或通过指数/对数映射进行以保持几何结构。
50%待验证消融实验显示FiLM几乎承担了全部有效工作，SelfAttention和MemoryCrossAttention在训练好的模型中贡献接近零。
50%待验证网络结构上CNN处理21x21的局部观察窗口，LSTM跨步骤携带记忆，CNN之上叠加SelfAttention、MemoryCrossAttention和FiLM三个注意力模块。
50%待验证FiLM是一种条件归一化技术，用辅助网络根据上下文生成缩放系数γ和偏移系数β，对主特征图每个通道做仿射变换：输出 = γ · 特征 + β。
50%待验证学生模型是一个140万参数的U-Net，配备FiLM滑块用于推理时动态控制天气强度，工作分辨率512×288，单帧推理约26毫秒
50%待验证FiLM由Perez等人于2018年提出，最初用于视觉问答任务，其核心是用条件信号生成缩放参数γ和偏移参数β对特征进行逐通道仿射变换
50%待验证MDT采用基于FiLM（Feature-wise Linear Modulation）的文本条件调制机制，让文本信号调制面部与语音特征
50%