不同stage训练参数的疑问

[xhqi0109]

请问，每个阶段训练的参数是如下吗？
stage1 : Face Locator + ref全部 + sd unet全部
stage2 :又加了一个audio cross attention，所以可能还是要全部动；因此就是 Face Locator + ref全部 + sd unet全部+ temporal modules （这一部分有可能不需要微调ref）
stage3: temporal modules + speed layers

另外论文中提到，ref 只需要一次，那么t参数应该给多少呢？

谢谢！

[johndpope]

may not help - https://github.com/johndpope/Emote-hack