Tag · 4 篇

可控视频生成

分布生成模型与扩散2数据集与评测1图像编辑与可控生成1

VerseCrafter: Dynamic Realistic Video World Model with 4D Geometric Control

用静态背景点云加逐物体3D高斯轨迹构成的4D几何控制表示，渲染成控制图去条件化预训练视频扩散模型，为视觉研究者提供了一种类别无关、可精确控制相机与多物体运动的视频生成条件化范式。

SpatialVID: A Large-Scale Video Dataset with Spatial Annotations

SpatialVID 提供了带逐帧相机位姿、深度图、动态掩码和运动指令的大规模真实视频，可直接用于训练可控视频生成、几何重建和世界模型，解决这些任务缺乏真实动态场景真值相机运动数据的问题。

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。

EgoControl: Controllable Egocentric Video Generation via 3D Full-Body Poses

把显式3D全身姿态序列作为扩散模型的条件信号，并设计同时编码全局相机运动与关节体运动的姿态表示，为视觉研究者提供了一种可复用的「姿态→视频」控制接口，可用于具身智能中的动作模拟与规划。