SPATIALALIGN：视频生成中动态空间关系的对齐
计算机视觉与模式识别
2026-03-02 v2
摘要
大多数文本到视频（T2V）生成器侧重于审美质量，却忽略了生成视频中的空间约束。本文提出了 SPATIALALIGN，一个自我改进框架，以增强 T2V 模型描绘文本提示中动态空间关系（DSR）的能力。我们设计了一种零阶正则化的直接偏好优化（DPO）以微调 T2V 模型，使其更好地与 DSR 对齐。具体而言，我们构建了 DSR-SCORE 评估指标，通过几何方法量化生成视频与提示中指定 DSR 的对齐程度，较之依赖视觉语言模型（VLM）的评估方法具有一步之遥。我们还构建了一个包含多样化 DSR 的文本-视频配对数据集，以促进相关研究。大量实验表明，经微调的模型在空间关系方面显著优于基线模型。代码将在链接处发布。项目页面：https://fengming001ntu.github.io/SpatialAlign/
引用
@article{arxiv.2602.22745,
title = {SPATIALALIGN: Aligning Dynamic Spatial Relationships in Video Generation},
author = {Fengming Liu and Tat-Jen Cham and Chuanxia Zheng},
journal= {arXiv preprint arXiv:2602.22745},
year = {2026}
}
备注
Project page: https://fengming001ntu.github.io/SpatialAlign/