Apply the RMSNorm normalization to the input tensor. Args: x (torch.Tensor): The input tensor. Returns:

Fuse the current frame's visual feature map with previous memory.

Reset all tracking inputs and results across the videos.

Run the memory encoder on `high_res_masks`. This is usually after applying non-overlapping constraints to object scores. Since their

r"""Encode a batch of images using a tiled encoder. When this option is enabled, the VAE will split the input tensor into tiles to compute en

给 parallelize_module 的 plan： - Linear: attention 的 qkv / out / mlp 走 Col/Row 切分 - attention block: 尽量启用 SequenceParallel（对 token 维做 Shard

给 parallelize_module 的 plan： - Linear: attention 的 qkv / out / mlp 走 Col/Row 切分 - 其他不确定 Linear -> Replicate（保守）

给 parallelize_module 的 plan（通用名字匹配）： - qkv: Colwise - out proj: Rowwise - ffn up/gate: Colwise - ffn down: Rowwise

Directly turn binary `mask_inputs` into a output mask logits without using SAM. (same input and output shapes as in _forward_sam_head

Whether to use multimask output in the SAM head.

Add new mask to a frame.

对 pipeline 的主干做 tensor parallel。 注意：TP 只需要在每个 rank 初始化完模型后调用一次。

对 WanVideoPipeline 做 TP： - pipe.dit 一定做 - pipe.dit2 如果存在也做（Wan 在某些模型会在迭代中 switch DiT） - （可选）pipe.vace/vace2 也可以尝试做，但通常先只做 dit 最稳

对 pipe 里的核心模块做 TP。 注意：TP 只需要在每个 rank 初始化完模型后调用一次。

Generate a bivariate isotropic or anisotropic Gaussian kernel. In the isotropic mode, only `sig_x` is used. `sig_y` and `theta` is ignored. Ar

Generates point grids for all crop layers.

Returns list of (src_file, dst_file). We copy files from each dpo_i/<subfolder>/** into base/<subfolder>/** (preserving relative path under s

Generates a 2D grid of points evenly spaced in [0,1]x[0,1].

遍历 test_dir 下一级文件夹，每个子文件夹必须包含： - 唯一 txt: prompt（读取时去掉 "IMG1 "） - 唯一 mp4: reference video - 唯一 png/jpg/jpeg/webp: reference imag

遍历 test_dir 下一级文件夹，每个子文件夹必须包含： - 唯一 txt: prompt（读取时去掉 "IMG1 "） - 唯一 mp4: reference video - 唯一 png/jpg/jpeg/webp: reference imag

Convert a list of RGB frames to a CoTracker-compatible tensor. Args: frames_np_lst: list of (H, W, 3) uint8 Returns: vid