VEnhancer是一个时空增强框架，旨在提高文本到视频(T2V)生成模型的输出质量。该框架基于ControlNet结构，整合了预训练视频扩散模型的多帧编码器和中间块，构建可训练的条件网络。VEnhancer接收低分辨率关键帧和完整噪声潜在帧作为输入，通过噪声增强和下采样因子进行网络调节，从而生成更高质量、更连贯的视频内容。