论文页面 - GraphVid: 交互式图可控视频生成

来源：https://huggingface.co/papers/2607.21580

摘要

可控视频生成仍然具有挑战性，因为使用文本提示或主要约束像素运动的运动控制输入来精确指定多对象交互十分困难。在实践中，基于轨迹的控制通常需要用户为多个对象绘制精确的轨迹，这随着场景复杂度的增加而扩展性变差，并且在遮挡或重叠情况下变得模糊。为了实现灵活而精确的多主体控制，我们提出了GraphVid，一种基于图条件的图像到视频生成模型，通过结构化交互图实现交互式控制。我们进一步构建了GraphVid-Bench，一个大规模的以交互为中心的视频数据集，带有结构化的关系标注，以支持交互感知视频生成模型的训练。尽管使用的训练数据和可训练参数远少于先前的运动控制方法，GraphVid仍能提供强大的可控性和视频质量。与Motion-I2V相比，GraphVid的FID降低了高达39.9%，FVD降低了37.6%，同时PSNR（9.87 → 15.98）和SSIM（0.38 → 0.61）也得到了提升。我们的结果凸显了结构化语义界面作为可控视频生成的强大范式的潜力。

查看arXiv页面（https://arxiv.org/abs/2607.21580）查看PDF（https://arxiv.org/pdf/2607.21580）项目页面（https://plan-lab.github.io/projects/graphvid）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.21580）

引用此论文的模型0

没有模型链接此论文

在模型的README.md中引用 arxiv.org/abs/2607.21580 以从本页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集的README.md中引用 arxiv.org/abs/2607.21580 以从本页面链接。

引用此论文的Space0

没有Space链接此论文

在Space的README.md中引用 arxiv.org/abs/2607.21580 以从本页面链接。

包含此论文的收藏集0

没有包含此论文的收藏集

将本论文添加到收藏集（https://huggingface.co/new-collection）以从本页面链接。