从理想到现实：不完美条件下的稳定视频对象移除
计算机视觉与模式识别
2026-04-23 v2
摘要
在现实世界不完美情况（如阴影、突然运动和损坏的掩码）下，从视频中移除对象仍然具有挑战性。现有的基于扩散的视频填色模型在面临这些挑战时往往难以维持时间稳定性和视觉一致性。我们提出Stable Video Object Removal（SVOR），通过三个关键设计实现阴影自由、无闪烁且对掩码缺陷具有鲁棒性：（1）MUSE（Mask Union for Stable Erasure），即在时间掩码下采样期间应用的窗口联合策略，保留每个窗口内观察到的所有目标区域，有效处理突然运动并减少漏掉移除；（2）DA-Seg（Denoising-Aware Segmentation），即在解耦侧支架上配置的轻量级分割头，配合Denoising-Aware AdaLN并以掩码退化进行训练，提供无需影响内容生成的内部扩散感知定位先验；（3）双阶段训练课程：其中阶段I在无配对真实背景视频上进行自监督预训练，使用随机掩码学习真实背景和时间先验；阶段II使用掩码退化和副作用加权损失进行细化，联合移除对象及其相关阴影/反射，从而提高跨域鲁棒性。广泛的实验表明，SVOR在多个数据集和退化掩码基准上实现了新的状态突破，使视频对象移除从理想场景推进至现实应用。项目页面：https://xiaomi-research.github.io/svor/。
引用
@article{arxiv.2603.09283,
title = {From Ideal to Real: Stable Video Object Removal under Imperfect Conditions},
author = {Jiagao Hu and Yuxuan Chen and Fuhao Li and Zepeng Wang and Fei Wang and Daiguo Zhou and Jian Luan},
journal= {arXiv preprint arXiv:2603.09283},
year = {2026}
}
备注
Project Page: https://xiaomi-research.github.io/svor/