Tag · 8 篇
相机控制
WorldStereo：通过三维几何记忆连接相机引导视频生成与场景重建
WorldStereo: Bridging Camera-Guided Video Generation and Scene Reconstruction via 3D Geometric Memories
把增量更新的点云作为全局几何记忆、用3D对应关系约束注意力感受野，为相机可控视频扩散提供了一种可复用的几何条件注入方式；同时其蒸馏骨干网络免联合训练的轻量控制分支设计，对做可控生成与少步采样的人有直接参考价值。
立体世界模型：相机引导的立体视频生成
Stereo World Model: Camera-Guided Stereo Video Generation
提出相机帧RoPE和立体感知注意力分解，在RGB模态下直接生成具有视差一致性的立体视频，可复用于需要相机控制的多视角视频生成任务，并支持长视频蒸馏。
Spatia：具有可更新空间记忆的视频生成
Spatia: Video Generation with Updatable Spatial Memory
将3D点云作为持久空间记忆，通过视觉SLAM迭代更新，为视频生成提供几何约束，可复用于长视频生成中的空间一致性保持与相机控制。
SpaceTimePilot：跨空间与时间的动态场景生成式渲染
SpaceTimePilot: Generative Rendering of Dynamic Scenes Across Space and Time
通过动画时间嵌入与时间扭曲训练方案，在视频扩散模型中显式解耦相机运动与场景运动，为可控新视角视频生成提供可复用的条件控制手段；CamxTime 数据集可用于训练自由时空轨迹渲染。
SaPaVe：面向机器人视觉-语言动作模型的主动感知与操作
SaPaVe: Towards Active Perception and Manipulation in Vision-Language Action Models for Robotics
将相机运动作为独立的语义控制动作与操作动作解耦，并用3D几何感知模块提升动态视角下的执行鲁棒性，为视觉-语言-动作模型提供可复用的主动视角控制范式与ActiveViewPose-200K数据。
ReDirector：用旋转相机编码生成任意长度视频重拍
ReDirector: Creating Any-Length Video Retakes with Rotary Camera Encoding
把相机位姿编码为 RoPE 相位偏移（RoCE），使视频扩散模型能泛化到训练分布外的相机轨迹与任意长度；做相机可控视频生成/重拍时可直接复用这一条件注入方式，替代外挂相机编码器。
几何作为上下文：在场景一致视频生成中调制显式3D以构建几何上下文
Geometry-as-context: Modulating Explicit 3D in Scene-consistent Video Generation to Geometry Context
将显式3D几何作为上下文信号，通过自回归视频生成模型迭代完成几何估计与新视角恢复，为场景一致视频生成提供可复用框架；相机门控注意力模块可增强相机位姿控制。
通过学习视角token实现文本到图像生成的相机控制
Camera Control for Text-to-Image Generation via Learning Viewpoint Tokens
把相机位姿编码为可学习的视角token注入扩散模型，使文本到图像生成获得精确的相机控制；其用3D渲染图做几何监督、用真实感增强补外观多样性的数据构造方式，以及验证视角token可跨物体类别迁移的解耦性，对做可控生成与3D感知生成的研究者可直接复用。