VERTIGO：用于电影摄影机轨迹生成的视觉偏好优化

电影摄影机控制依赖于导演与摄影师之间的紧密反馈回路，摄影机运动和构图不断被审阅和细化。最近的生成式摄影机系统能够产生多样化的文本条件轨迹，但缺乏这种“导演在环中”且对 shot 是否具有视觉吸引力缺乏明确监督，导致 in-distribution 摄影机运动但构图差、人物出画以及不可取的视觉审美。本文提出了 VERTIGO，即摄影机轨迹生成器的视觉偏好优化框架。该框架利用实时图形引擎（Unity）渲染生成摄影机运动的 2D 视觉预览。随后， cinematically fine-tuned 视觉-语言模型通过我们提出的循环语义相似性机制对这些预览进行评分，该机制将渲染结果与文本提示对齐。这一过程为 Direct Preference Optimization（DPO）后训练提供视觉偏好信号。在 Unity 渲染和基于扩散的 Camera-to-Video 管道的定量评估和用户研究中，我们显示 VERTIGO 在条件遵从性、构图质量和感知真实性方面均实现了一致的提升。值得注意的是，VERTIGO 将人物出画率从 38% 降低至接近 0%，同时保持了摄影机运动的几何保真度。用户研究进一步表明， VERTIGO 在构图、一致性、提示遵从性和审美质量方面均优于基线方法，确认了我们的视觉偏好后训练带来的感知优势。