AI视频闪烁问题几乎困扰着每一位尝试用Stable Diffusion、ComfyUI等工具做视频风格化的创作者：逐帧生成的结果在单独看时画质很好，但连续播放时画面像“开了频闪灯”，物体边缘抖动、颜色跳变、纹理反复重绘。要根治这个问题，必须理解帧间一致性（Inter-frame Consistency）的本质，并掌握EBSynth这类补帧工具的正确用法。本文将从闪烁成因、主流一致性方案、EBSynth实战流程和常见坑四个层面展开讲解。
为什么AI生成的视频会闪烁：从扩散模型的采样机制说起
要理解闪烁，先要理解扩散模型的工作方式。Stable Diffusion在生成每一帧时，都会从一个随机噪声出发，经过几十步去噪采样得到最终图像。如果每一帧使用的初始噪声不同、随机种子不同，模型在去噪过程中做出的“决策”也会不同——第一帧把某块石头画成灰色纹理，第二帧可能画成带裂纹的花纹，第三帧又变成另一种样子。人眼对帧间的这种差异极其敏感，于是闪烁就产生了。
从信息论角度看，单帧生成丢失了时间维度的约束。传统的逐帧处理管线可以表示为：
import torch
frames = []
for i in range(total_frames):
# 每一帧都用全新的随机噪声，帧与帧之间没有任何关联
noise = torch.randn(1, 4, 96, 96) # latent空间噪声
frame = stable_diffusion(img2img_input=video[i],
noise=noise,
denoising_strength=0.6,
seed=random.randint(0, 2**32))
frames.append(frame)
上面这段代码是典型的“裸奔式”逐帧处理，闪烁几乎不可避免。归纳起来，闪烁的来源主要有三类：一是采样随机性，即初始噪声和种子不一致；二是采样路径不稳定，同一个denoising strength下，去噪过程中的每一步都有累积偏差；三是高分辨率细节漂移，纹理、毛发、水面这类高频信息在帧间的变化最剧烈，也是闪烁最明显的区域。
另一个不可忽视的因素是控制信号的抖动。如果使用ControlNet的Depth或OpenPose作为控制条件，而这些控制图本身是从原视频提取的，提取算法在物体边缘处的微小误差会被扩散模型放大成明显的边界抖动。因此，去闪烁不仅是模型问题，也是整个管线的问题。
帧间一致性技术的主流方案对比
针对闪烁问题，社区发展出了几条不同的技术路线，各有适用场景。理解它们的原理，才能根据素材特点选择合适的方案。
方案一：共享噪声与固定种子
最直接的思路是让所有帧使用完全相同的初始噪声张量和种子，从源头上消除采样随机性。Deforum等插件中的noise schedule、EbSynth之外的Ancestral采样限制，本质上都是在做这件事。这种方法的优点是零额外计算成本，缺点是只能缓解“颜色和整体结构的跳变”，无法解决局部纹理漂移——因为去噪过程中的attention计算依然会导致细节走向不同。它适合画面变化缓慢、风格化强度较低的素材。
方案二：Optical Flow导向的光流传递
利用光流（Optical Flow）算法，如RAFT、Farnebäck，计算相邻帧之间的像素运动场，把上一帧生成结果“搬运”到当前帧，再让扩散模型只对残差部分做修复。这就是Stable-Diffusion-WebUI的Deforum、AnimateDiff以及许多视频后处理管线采用的核心思想。它的优点是对运动较大的画面鲁棒性更好，缺点是光流在遮挡区域和大幅运动区域会失效，需要用mask让模型重新生成这些区域，而重新生成的区域又会带来新的不一致，形成一个需要反复调参的循环。
方案三：时序模块与统一模型
AnimateDiff、Stable Video Diffusion、CogVideoX等原生视频模型在UNet或DiT架构中插入了时序attention层，让模型在生成时能“看到”多帧之间的关联，从架构层面保证一致性。这是目前效果最好的方向，但对显存要求高，且风格化自由度不如图生视频管线。此外还有TokenFlow、Rerender-A-Video等学术方案，通过在attention层面共享key-value来约束帧间一致性，效果稳定但推理速度较慢。
下表对比三种方案的特性：
| 方案 | 一致性效果 | 计算成本 | 适用场景 |
|---|---|---|---|
| 共享噪声/固定种子 | 中等 | 几乎为零 | 变化缓慢的镜头 |
| 光流传递 | 较好 | 中等 | 运动明显的实拍素材 |
| 原生视频模型 | 最好 | 高 | 短视频生成与风格化 |
EBSynth补帧实战：关键帧加光流传播的工作流
EBSynth出自一篇经典的风格迁移论文《Fast Example-based Synthesis》，它的核心能力是：给定一张手工精修的参考帧（关键帧），自动把这个风格“传播”到视频的其他帧上，保证传播结果的纹理与参考帧高度一致。它不是插值工具，而是基于patch匹配的示例合成工具——在目标帧中为每个patch搜索参考帧中最相似的patch并迁移其外观，从而实现“修一帧，通全局”。
完整工作流分为四步。第一步，抽帧并提取运动信息：把视频按固定间隔（例如每隔5到8帧）抽成序列，用光流算法计算帧间前后向光流。第二步，渲染关键帧：只对抽取的关键帧用Stable Diffusion精修，投入足够的时间和提示词，把关键帧做到理想效果。第三步，EBSynth传播：以关键帧为源，沿光流把风格向前后两个方向传播，生成中间帧。第四步，融合与修复：当关键帧之间的差异较大时，前后两路传播的结果会有分歧，用flow blending权重图做交叉淡化，对遮挡区域回退到img2img结果。
下面是一个用Python调用EBSynth命令行的简化示例：
import subprocess, os
# 关键帧间隔，每隔6帧取一个关键帧
key_interval = 6
key_frames = list(range(0, total_frames, key_interval))
for i in range(total_frames):
# 找到当前帧所属的两个相邻关键帧
left = key_frames[i // key_interval]
right = min(left + key_interval, key_frames[-1])
# 从左侧关键帧正向传播生成一版
subprocess.run([
"ebsynth", "-style", f"styled_{left:05d}.png",
"-guide", f"raw_{left:05d}.png", f"raw_{i:05d}.png",
"-weight", "1.0", "0.0", # 光流引导权重设为0，只用颜色引导
"-output", f"fwd_{i:05d}.png"
])
# 从右侧关键帧反向传播生成另一版，之后做blending融合
subprocess.run([
"ebsynth", "-style", f"styled_{right:05d}.png",
"-guide", f"raw_{right:05d}.png", f"raw_{i:05d}.png",
"-weight", "1.0", "0.0",
"-output", f"bwd_{i:05d}.png"
])
这里的关键技巧有两个。第一是guide图像用原始视频帧而不是风格化后的帧，因为原始帧的运动和结构信息最可靠，EBSynth会依据guide的相似度去style图里找patch。第二是双向传播加融合：只做单向传播时，离关键帧越远误差累积越大，容易在关键帧间隔的中点出现明显劣化；前后双向各传播一份，再按距离线性加权融合，可以让质量在整个区间内保持均匀。
EBSynth的参数中，-weight控制guide的颜色通道与边缘通道的权重比例。风格化场景通常建议颜色权重高、边缘权重低，例如"1.0 0.0"或"1.0 0.5"；如果是消除闪烁的纯后处理场景，可以适当提高边缘权重让结构更贴合。搜索_patch大小_（patch size）默认7，素材纹理细腻时可以降到5，大面积平坦区域则可以升到9以获得更平滑的传播。
常见失败案例与调参建议
即使使用了EBSynth，实际操作中仍会遇到几类典型问题。第一类是遮挡区域出现鬼影：当画面中有物体进出画面或前后遮挡时，光流无法描述这些区域的对应关系，EBSynth会把错误的内容迁移过去。解决办法是生成前后向光流的一致性检查mask，把遮挡区域检测出来后，用扩散模型的img2img单独补画，或者直接缩短关键帧间隔让传播距离变短。
第二类是关键帧间隔选择不当。间隔太大，传播误差累积导致模糊和结构崩坏；间隔太小，渲染关键帧的成本激增，EBSynth的意义就被削弱。经验值是运动剧烈的素材用4到5帧间隔，运动平缓的素材可以放宽到10帧以上。可以通过观察双向传播结果的重合度来动态判断：如果fwd和bwd两版在中点处差异已经很大，说明间隔需要缩短。
第三类是风格化强度与一致性的矛盾。img2img的denoising strength越高，风格越华丽，但单帧的随机性也越强，关键帧之间的风格差异会让传播结果难以融合。建议关键帧渲染时固定seed或使用同一latent噪声，并把强度控制在0.4到0.55之间，把大幅风格变化交给LoRA或ControlNet的风格参考来实现，而不是靠高噪声强度。
最后要提醒的是管线顺序：先做视频的稳定化（去抖动）再进扩散模型，能显著降低控制信号的抖动；EBSynth传播完成后再做一次轻量的时域降噪或deflicker后处理（例如用ffmpeg的deband滤镜或专门的时域中值滤波），可以消除残留的亮度闪烁。多层手段叠加，才能得到真正稳定的AI视频输出。