同時提升攝像機控制效率、影片質量，可控影片生成架構AC3D來了

机器之心發表於2025-01-14

AIxiv專欄是機器之心釋出學術、技術內容的欄目。過去數年，機器之心AIxiv專欄接收報導了2000多篇內容，覆蓋全球各大高校與企業的頂級實驗室，有效促進了學術交流與傳播。如果您有優秀的工作想要分享，歡迎投稿或者聯絡報導。投稿郵箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

可控的影片生成需要實現對攝像機的精確控制。然而，控制影片生成模型的攝像機運動（camera control）總是不可避免地伴隨著影片質量的下降。近期，來自多倫多大學、Vector Institute、Snap Research 和西蒙・弗雷澤大學（SFU）的研究團隊推出了 AC3D (Advanced 3D Camera Control)。AC3D 從基本原理出發，分析了攝像機運動在影片生成中的特點，並透過以下三方面改進了影片生成的效果和效率：

1. 低頻運動建模：研究發現影片中的攝像機運動具有低頻特性。研究者最佳化了訓練和測試的條件排程，加速了訓練收斂，同時提升了視覺和運動質量。

2. 攝像機資訊表示：透過研究無條件影片擴散變換器的表示，研究者觀察到其內部隱含地進行了攝像機姿態估計。將攝像機條件注入限制在特定子層，既減少干擾，又顯著降低了引數數量並提升訓練速度和視覺質量。

3. 資料集改進：透過加入包含 20,000 段動態影片的高質量靜態攝像機資料集，增強模型區分攝像機運動與場景運動的能力。這些發現促成了 AC3D 架構的設計，從而同時提升了攝像機控制的效率以及影片的質量，使得 AC3D 在具有攝像機控制的生成影片建模中達到了新的技術水平。同時提升攝像機控制效率、影片質量，可控影片生成架構AC3D來了

論文標題：AC3D: Analyzing and Improving 3D Camera Control in Video Diffusion Transformers
論文地址：arxiv.org/abs/2411.18673
專案地址：snap-research.github.io/ac3d/

方法介紹

研究者首先搭建了文生影片擴散模型作為基礎模型，對該模型進行分析，從而得到攝像機控制的第一性原理。然後研究者基於這些原理設計了 AC3D。

基礎模型：影片擴散模型

AC3D 基於 VDiT（Video Diffusion Transformer）採用了標準的 Transformer 結構進行構建。VDiT 透過在變分自動編碼器（VAE）潛空間中執行擴散建模，從文字描述生成影片。模型架構包括：

使用 T5 編碼器生成文字嵌入；
透過交叉注意力機制將文字嵌入輸入 VDiT；
在潛空間中採用流擴散引數化技術（Rectified Flow Diffusion）進行生成。

具體而言，研究者採用了一種標準設計，預訓練了一個具有 11.5B 引數的 Video DiT 模型。該模型包含 32 層，隱藏維度為 4,096，並在 CogVideoX 的潛空間中操作，並使用了流擴散引數化技術（Rectified Flow Diffusion）。基礎模型在一個大規模影像和影片資料集上訓練，該資料集包含了文字註釋，解析度範圍從 17×144×256 到 121×576×1024。

攝像機運動的第一性原理分析

（1）分析 1：運動光譜體積（MSVs）分析

透過運動光譜體積（Motion Spectral Volumes, MSVs）分析，研究者發現攝像機引起的運動主要位於低頻段。與場景運動相比，攝像機運動更平滑且更少劇烈變化。並且，84% 的低頻運動資訊在擴散過程的前 10% 階段已經確定，後續不會再改變。基於這一觀察，研究者調整了訓練和測試的噪聲條件排程，將攝像機運動注入限制在早期噪聲階段進行訓練和推理。這一方法大幅減少了後期干擾，同時提升了影片的視覺質量和運動保真度。同時提升攝像機控制效率、影片質量，可控影片生成架構AC3D來了

（2）分析 2：線性探測的 VDiT 表徵

研究者透過線性探測實驗，在文生影片網路的每一層訓練一個線性層以預測攝像機引數。實驗結果顯示：

1. 無條件文生影片模型在中間層對攝像機姿態資訊預測最為準確；

2. 網路中間層對攝像機引數具有最佳表徵，說明模型在早期階段隱式地注入了攝像機位置資訊，並利用後續層指導其他視覺元素生成。

基於此發現，AC3D 將攝像機條件注入限制在前 8 層，從而減少了對其他視覺特徵表徵的干擾，顯著提升了訓練速度和生成質量。

（3）分析 3：資料集偏見的分析

傳統的具有相機引數的影片資料集（如 RealEstate10k）幾乎只有靜態場景。這種靜態場景影片導致模型難以區分攝像機運動與場景運動，也使得網路過擬合到靜態分佈上，從而降低了生成影片中文運動場景的質量。然而，在動態影片中預測攝像機運動依然沒有很好的開源解決方案。研究者另闢蹊徑，構建了一個包含 20,000 個動態場景但使用靜態攝像機拍攝的資料集。

這種混合動態場景靜態攝像機與靜態場景動態攝像機的資料集，顯著改善了模型的學習效果。訓練後，模型更能分離攝像機運動和場景運動，從而生成更加真實且動態的影片。

攝像機控制方法

為實現攝像機控制，研究者將 ControlNet 模組與 VDiT 結合，形成了 VDiT-CC（VDiT with Camera Control）。具體方法：

1. 用 Plücker 相機表徵，透過全卷積編碼器對攝像機軌跡進行編碼；

2. 使用輕量化的 128 維 DiT-XS 模組處理攝像機編碼，並類似 ControlNet 直接將攝像機特徵加入到影片特徵中進行融合；

3. 只在 256x256 的解析度中訓練攝像機運動注入，因為研究者發現攝像機運動屬於一種低頻資訊。在低解析度中訓練也可以推理在推理高解析度時實現精準相機控制。

4. 調整訓練和推理時的攝像機條件排程，僅覆蓋逆擴散軌跡的前 40%。這種噪聲調節平均將 FID 和 FVD 指標提升了 14%，並使攝像機跟蹤能力在 MSR-VTT 資料集上提高了 30%（該資料集用於評估模型對多樣化、超出微調分佈場景的泛化能力）。此外，這種方法還增強了整體場景的運動性，我們在實驗中對其進行了定性驗證。

5. 僅在前 8 個 DiT 塊中注入攝像機資訊，而將後續的 24 個 DiT 塊保持無條件狀態。這種設計能夠避免攝像機資訊與後續層的其他特徵表徵產生干擾，同時顯著減少訓練複雜度，提高模型的生成效率和質量。

其他改進：為了進一步提升模型的效能和攝像機控制能力，研究者引入了以下創新：

1. 一維時間編碼器：透過因果卷積，將高解析度攝像機軌跡資料轉換為低解析度表示。

2. 分離文字與攝像機引導：為文字和攝像機訊號獨立設計引導機制，分別調整每種輸入型別的權重。

3.ControlNet 反饋機制：透過交叉注意力，從影片向攝像機提供反饋，最佳化攝像機表示。

4. 移除攝像機分支的上下文資訊：消除上下文干擾，提高對攝像機軌跡的追蹤能力。

透過這些方法，AC3D 在攝像機控制效率和生成質量上取得了顯著突破，為高質量的文字生成影片提供了新的技術基準。

模型結果

研究者展示了一系列提示詞，不同攝像機軌跡下的可控影片生成（總時長 40 秒），透過這些影片可以直觀地觀察 AC3D 在攝像機控制上的表現。同時提升攝像機控制效率、影片質量，可控影片生成架構AC3D來了

Prompts：

1. 在一個藝術工作室中，一隻戴著貝雷帽的貓正在小畫布上作畫。

2. 在一個未來廚房中，宇航員熟練地用平底鍋烹飪。

3. 在一個舒適的廚房裡，一隻泰迪熊認真地洗碗。

4. 在一個熱帶海灘上，一隻金毛獵犬坐在沙灘上，興奮地吃著冰淇淋。

5. 在公園的長椅上，一隻松鼠用小爪子抓著一個多汁的漢堡，悠閒地吃著。

6. 在一個溫馨的咖啡館裡，一隻水獺熟練地操作著濃縮咖啡機。

7. 在一個別致的城市廚房裡，一隻戴著小廚師帽的貓正在揉麵團。

8. 在廚房裡，一名宇航員正在用平底鍋烹飪。

9. 在一個未來感十足的東京天台上，一隻戴著耳機的機械考拉在混音。

10. 穿著正式服裝的貓坐在棋盤旁，專注於下一步棋局策略。

11. 在一個廢墟中，一名孤獨的機器人正在尋找可利用的材料。

12. 穿著文藝復興服飾的小老鼠正優雅地吃著一塊乳酪。

總結

AC3D 對影片擴散模型中的攝像機運動進行系統性分析，從而顯著提升控制的精度和效率。透過改進條件排程、針對特定層的攝像機控制以及更精確校準的訓練資料，模型在三維攝像機控制影片合成方面達到了最先進的效能，同時保持了高視覺質量和自然的場景動態。這項工作為文字生成影片中更精準和高效的攝像機控制奠定了基礎。未來的研究將專注於進一步克服資料侷限性，並開發適用於訓練分佈範圍外攝像機軌跡的控制機制。

同時提升攝像機控制效率、影片質量，可控影片生成架構AC3D來了

相關文章