首帧即为去向：视频内容定制的首帧作用
计算机视觉与模式识别
2026-03-24 v2
摘要
视频生成模型的首帧援引何种作用？传统上，它被视为视频的空间时间起点，仅作为后续动画的种子。在本文中，我们从全新的视角揭示了这一观点：视频模型实际上将首帧隐式地视为概念记忆缓冲区，用于在生成过程中存储视觉实体以供后续重用。借助这一洞见，我们表明，仅需 20-50 个训练示例、无需架构修改或大规模微调，即可在多种场景下实现稳健且通用的视频内容定制。这揭示了视频生成模型一个被忽视且强大的能力，用于基于参考的视频定制。
引用
@article{arxiv.2511.15700,
title = {First Frame Is the Place to Go for Video Content Customization},
author = {Jingxi Chen and Zongxia Li and Zhichao Liu and Guangyao Shi and Xiyang Wu and Fuxiao Liu and Cornelia Fermuller and Brandon Y. Feng and Yiannis Aloimonos},
journal= {arXiv preprint arXiv:2511.15700},
year = {2026}
}
备注
Accepted to CVPR 2026