更少即更好：可控文本到视频生成的数据高效适应
计算机视觉与模式识别
2026-04-09 v4 人工智能
摘要
针对添加新生成控制（如对物理相机参数的控制，如快门速度或光圈）进行大规模文本到视频扩散模型微调，通常需要难以获取的大量高保真数据集。本文提出一种数据高效微调策略，从稀疏、低质量合成数据中学习这些控制。我们表明，仅凭简单数据进行微调即可实现所需控制，甚至能产生优于在照片级"真实"数据上微调的模型。除展示这些结果外，我们提供一个框架，既直观又定量地解释了这一现象。
引用
@article{arxiv.2511.17844,
title = {Less is More: Data-Efficient Adaptation for Controllable Text-to-Video Generation},
author = {Shihan Cheng and Nilesh Kulkarni and David Hyde and Dmitriy Smirnov},
journal= {arXiv preprint arXiv:2511.17844},
year = {2026}
}