可控的視頻生成需要實現對攝像機的精確控制。然而，控制視頻生成模型的攝像機運動（camera control）總是不可避免地伴隨著視頻質量的下降。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視頻生成中的特點，并通過以下三方面改進了視頻生成的效果和效率：

1. 低頻運動建模：研究發現視頻中的攝像機運動具有低頻特性。研究者優化了訓練和測試的條件調度，加速了訓練收斂，同時提升了視覺和運動質量。

2. 攝像機信息表示：通過研究無條件視頻擴散變換器的表示，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，又顯著降低了參數數量并提升訓練速度和視覺質量。

3. 數據集改進：通過加入包含 20,000 段動態視頻的高質量靜態攝像機數據集，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視頻的質量，使得 AC3D 在具有攝像機控制的生成視頻建模中達到了新的技術水平。

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

方法介紹

研究者首先搭建了文生視頻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。然后研究者基于這些原理設計了 AC3D。

基礎模型：視頻擴散模型

AC3D 基于 VDiT（Video Diffusion Transformer）采用了標準的 Transformer 結構進行構建。VDiT 通過在變分自動編碼器（VAE）潛空間中執行擴散建模，從文本描述生成視頻。模型架構包括：

• 使用 T5 編碼器生成文本嵌入；
• 通過交叉注意力機制將文本嵌入輸入 VDiT；
• 在潛空間中采用流擴散參數化技術（Rectified Flow Diffusion）進行生成。

具體而言，研究者采用了一種標準設計，預訓練了一個具有 11.5B 參數的 Video DiT 模型。該模型包含 32 層，隱藏維度為 4,096，并在 CogVideoX 的潛空間中操作，并使用了 流擴散參數化技術（Rectified Flow Diffusion）。基礎模型在一個大規模圖像和視頻數據集上訓練，該數據集包含了文本注釋，分辨率范圍從 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

通過運動光譜體積（Motion Spectral Volumes, MSVs）分析，研究者發現攝像機引起的運動主要位于低頻段。與場景運動相比，攝像機運動更平滑且更少劇烈變化。并且，84% 的低頻運動信息在擴散過程的前 10% 階段已經確定，后續不會再改變。基于這一觀察，研究者調整了訓練和測試的噪聲條件調度，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后期干擾，同時提升了視頻的視覺質量和運動保真度。

（2）分析 2：線性探測的 VDiT 表征

研究者通過線性探測實驗，在文生視頻網絡的每一層訓練一個線性層以預測攝像機參數。實驗結果顯示：

1. 無條件文生視頻模型在中間層對攝像機姿態信息預測最為準確；

2. 網絡中間層對攝像機參數具有最佳表征，說明模型在早期階段隱式地注入了攝像機位置信息，并利用后續層指導其他視覺元素生成。

基于此發現，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征表征的干擾，顯著提升了訓練速度和生成質量。

（3）分析 3：數據集偏見的分析

傳統的具有相機參數的視頻數據集（如 RealEstate10k）幾乎只有靜態場景。這種靜態場景視頻導致模型難以區分攝像機運動與場景運動，也使得網絡過擬合到靜態分布上，從而降低了生成視頻中文運動場景的質量。然而，在動態視頻中預測攝像機運動依然沒有很好的開源解決方案。研究者另辟蹊徑，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數據集。

這種混合動態場景靜態攝像機與靜態場景動態攝像機的數據集，顯著改善了模型的學習效果。訓練后，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視頻。

攝像機控制方法

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

1. 用 Plücker 相機表征，通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 模塊處理攝像機編碼，并類似 ControlNet 直接將攝像機特征加入到視頻特征中進行融合；

3. 只在 256x256 的分辨率中訓練攝像機運動注入，因為研究者發現攝像機運動屬于一種低頻信息。在低分辨率中訓練也可以推理在推理高分辨率時實現精準相機控制。

4. 調整訓練和推理時的攝像機條件調度，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%，并使攝像機跟蹤能力在 MSR-VTT 數據集上提高了 30%（該數據集用于評估模型對多樣化、超出微調分布場景的泛化能力）。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 塊中注入攝像機信息，而將后續的 24 個 DiT 塊保持無條件狀態。這種設計能夠避免攝像機信息與后續層的其他特征表征產生干擾，同時顯著減少訓練復雜度，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性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：通過因果卷積，將高分辨率攝像機軌跡數據轉換為低分辨率表示。

2. 分離文本與攝像機引導：為文本和攝像機信號獨立設計引導機制，分別調整每種輸入類型的權重。

3.ControlNet 反饋機制：通過交叉注意力，從視頻向攝像機提供反饋，優化攝像機表示。

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

通過這些方法，AC3D 在攝像機控制效率和生成質量上取得了顯著突破，為高質量的文本生成視頻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視頻生成（總時長 40 秒），通過這些視頻可以直觀地觀察 AC3D 在攝像機控制上的表現。

Prompts：

1. 在一個藝術工作室中，一只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. 在一個舒適的廚房里，一只泰迪熊認真地洗碗。

4. 在一個熱帶海灘上，一只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，一只松鼠用小爪子抓著一個多汁的漢堡，悠閑地吃著。

6. 在一個溫馨的咖啡館里，一只水獺熟練地操作著濃縮咖啡機。

7. 在一個別致的城市廚房里，一只戴著小廚師帽的貓正在揉面團。

8. 在廚房里，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臺上，一只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，專注于下一步棋局策略。

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奶酪。

總結

AC3D 對視頻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。通過改進條件調度、針對特定層的攝像機控制以及更精確校準的訓練數據，模型在三維攝像機控制視頻合成方面達到了最先進的性能，同時保持了高視覺質量和自然的場景動態。這項工作為文本生成視頻中更精準和高效的攝像機控制奠定了基礎。未來的研究將專注于進一步克服數據局限性，并開發適用于訓練分布范圍外攝像機軌跡的控制機制。