少即是多：面向可控文本到视频生成的数据高效适配
Less is More: Data-Efficient Adaptation for Controllable Text-to-Video Generation
对做可控视频生成的研究者，这篇给出了一个反直觉的数据策略：用稀疏、低质量的合成数据微调扩散模型来学习物理相机参数（快门速度、光圈）控制，效果反而优于用真实照片级数据微调；其框架也可用于评估其他条件控制的数据选择。
原文依据 we propose a data-efficient fine-tuning strategy that learns these controls from sparse, low-quality synthetic data
摘要译文
由模型翻译 · 术语统一 · 请对照原文核对关键结论微调大规模文本到视频扩散模型以加入新的生成控制（例如对快门速度、光圈等物理相机参数的控制），通常需要大量难以获取的高保真数据集。在本工作中，我们提出一种数据高效的微调策略，能够从稀疏、低质量的合成数据中学习这些控制。我们表明，在这种简单数据上微调不仅能够实现所需的控制，而且实际效果优于在照片级“真实”数据上微调的模型。除展示这些结果外，我们还提供了一个框架，从直觉和定量两方面解释这一现象。
英文原文摘要 680 字符
Fine-tuning large-scale text-to-video diffusion models to add new generative controls, such as those over physical camera parameters (e.g., shutter speed or aperture), typically requires vast, high-fidelity datasets that are difficult to acquire. In this work, we propose a data-efficient fine-tuning strategy that learns these controls from sparse, low-quality synthetic data. We show that not only does fine-tuning on such simple data enable the desired controls, it actually yields superior results to models fine-tuned on photorealistic "real" data. Beyond demonstrating these results, we provide a framework that justifies this phenomenon both intuitively and quantitatively.