MoGAN：通过少步运动对抗后训练提升视频扩散模型的运动质量
计算机视觉与模式识别
2025-11-27 v1
摘要
视频扩散模型在帧级保真度方面表现优异，但在运动连贯性、动态和真实性方面仍存在挑战，常产生抖动、幽灵现象或不合理的动态。一个关键局限是，标准去噪均方误差目标对时间一致性没有直接监督，使得模型在保持低损失的同时仍可能生成差差的运动。我们提出 MoGAN，一种以运动为中心的后训练框架，用于提升运动真实性，无需奖励模型或人类偏好数据。在基于 3 步蒸馏视频扩散模型之上，我们训练一个基于 DiT 的光流判别器来区分真实与生成的运动，并结合分布匹配正则化以保持视觉保真度。在 Wan2.1-T2V-1.3B 上的实验表明，MoGAN 在各类基准测试中显著提升了运动质量。于 VBench，MoGAN 在 50 步教师模型上提升运动得分 +7.3%，在 3 步 DMD 模型上提升 +13.3%。于 VideoJAM-Bench，MoGAN 在教师模型上提升运动得分 +7.4%，在 DMD 上提升 +8.8%，同时保持与之相当甚至更好的审美和图像质量得分。人类实验进一步确认，MoGAN 在运动质量上受到偏好（52% 对照教师 38%；56% 对照 DMD 29%）。总体而言，MoGAN 在不牺牲视觉保真度或效率的前提下，显著提升了运动的真实性，为实现快速高质量视频生成提供了实用路径。项目网页为：https://xavihart.github.io/mogan。
引用
@article{arxiv.2511.21592,
title = {MoGAN: Improving Motion Quality in Video Diffusion via Few-Step Motion Adversarial Post-Training},
author = {Haotian Xue and Qi Chen and Zhonghao Wang and Xun Huang and Eli Shechtman and Jinrong Xie and Yongxin Chen},
journal= {arXiv preprint arXiv:2511.21592},
year = {2025}
}