Soluciones para el outpainting de video en Wan2GP

El outpainting de videos a 720p en Wan2GP puede volverse un verdadero reto cuando se trabaja con paneos largos que duran más de 15 segundos. He notado que, justo hacia donde avanza la cámara, el modelo tiende a rehacer trozos de la escena que ya generó, provocando discontinuidades y ese molesto efecto de ‘pegoteado’ en el framerate. Aunque he probado procesar la escena completa de una sola vez o intentar superponer resultados desde atrás, los saltos de realidad persisten.

Optimizando el flujo de outpainting

Para mejorar la estabilidad, lo más efectivo es dejar de tratar la escena como un todo y empezar a procesar por bloques con solapamiento. En vez de una toma continua, dividimos el video en fragmentos de unos 300 frames, asegurándonos de usar una transición gradual de 30 a 50 frames entre cada bloque. Esto evita que se acumule la deriva temporal.

Además, parece más estable expandir la imagen en incrementos pequeños, como el 15%, y renderizar antes de añadir otro tanto, en lugar de hacerlo todo de golpe. Una estrategia interesante es generar la banda lateral nueva como una capa independiente, manteniendo intacta la imagen original para componer después.

Finalmente, al mezclar las versiones procesadas hacia adelante y atrás, se debe evitar un corte duro. Es mejor usar una mezcla progresiva: empezar con el 100% de la versión A durante los primeros frames y desvaneciendo gradualmente hasta llegar al 100% de la versión B.

¿Importa la versión del modelo?

Muchas veces se pregunta si cambiar entre versiones como LTX 2.3 distilled 1.0 o 1.1 marca una diferencia real. La realidad es que para este problema específico, la diferencia entre modelos es mínima comparada con los parámetros de flujo.

El cuello de botella no es tanto el checkpoint, sino la longitud de la secuencia, el tamaño del outpaint y la ventana temporal usada por el workflow. Cambiar a versiones antiguas probablemente solo altere ligeramente la estética o los detalles finos, pero no eliminará esos trozos reinventados durante paneos largos.

La solución más efectiva suele estar en ajustar el workflow: congelar las semillas para asegurar consistencia temporal y procesar segmentos más cortos con referencias entre bloques. Esto es mucho más efectivo que simplemente cambiar de modelo, permitiendo que la IA mantenga la coherencia visual a lo largo de tomas complejas.