CamC2V：基于上下文感知的可控视频生成
计算机视觉与模式识别
2026-05-29 v3
摘要
最近的图像到视频（I2V）扩散模型在场景理解和生成质量方面展现了惊人的能力，通过图像条件来指导生成。然而，这些模型主要在其提供的上下文范围内进行动画，不得不超越其限制。引入额外约束（如相机轨迹）可增强多样性，但常常会降低视觉质量，限制其在需要忠实场景表示的任务中的适用性。我们提出了 CamC2V，一种上下文到视频（C2V）模型，将多个图像条件作为上下文与 3D 约束以及相机控制相结合，以丰富全局语义和细粒度视觉细节。这使得更连贯且上下文感知的视频生成成为可能。此外，我们动机说明了对有效上下文表示的时序感知的必要性。我们对 RealEstate10K 数据集进行全面研究，显示我们的方法在视觉质量和相机可控性方面实现了 24.09%（FVD）的改进。我们的代码已公开：https://github.com/LDenninger/CamC2V。
引用
@article{arxiv.2504.06022,
title = {CamC2V: Context-aware Controllable Video Generation},
author = {Luis Denninger and Sina Mokhtarzadeh Azar and Juergen Gall},
journal= {arXiv preprint arXiv:2504.06022},
year = {2026}
}
备注
Published at 3DV 2026