image_2 作为辅助视觉语义输入时，无论 strength_2 设置多高，生成的视频依然主要保留 image_1 的视觉特征。这种融合方式不同于首尾帧插值式的过渡，而是在进入采样器之前就完成了特征层级的融合，并且始终以 image_1 为主导。
image_1------------------------分割线-------------------------image_2------------------------分割线-------------------------output
从输出来看，完全看不到image_2的特征。
当crop为center，且tiles=0时，节点会对图像进行224x224中心裁剪。而当tiles>0时，则会图像进行分块编码。比如tiles=2，则代表对图像每边切两块，最终共 4 块。tiles越大精度越高，但耗时越久、显存占用更高。
假设你输入一张 512×512 的图，设置：tiles=2，ratio=0.3，则会把图切成 4 块，每块编码，然后融合时：
- 30% 来源于整图（可能是中心 crop）的 embedding
- 70% 来源于 4 块 tile 的 embedding 融合
