视频生成的黄金锚点

arXiv:2610.13217v1 公告类型：cross 摘要：视频生成支持数字内容创作，应用于虚拟化身、AI驱动的电影制作、交互式游戏引擎和世界模型。当前最先进的系统主要通过图像到视频（I2V）生成实现可控性，其中注入的锚点图像决定生成视频的身份、构图和风格。在现代流程中，这一锚点由文本到图像（T2I）生成器合成。这引出了一个长期被忽视的问题：直接从T2I模型获得的图像，是否真正适合当前的视频模型？我们的分析表明，锚点的美学与质量评分同下游视频质量之间的相关性较弱。无论在视觉维度还是运动维度，结构与纹理评分都与I2V视频质量呈负相关。相应地，在图像奖励上对T2I模型进行微调，会生成结构和人物细节明显更加密集的锚点：它们在图像指标上的得分更高，却会降低我们测试的每个I2V模型的视频奖励，并使下游运动产生不可预测的变化。因此，我们提出Golden Anchor Learning（GAL）。据我们所知，这是首个通过利用下游视频反馈优化T2I生成器来学习黄金锚点的框架。GAL在冻结的I2V模型下，通过锚点所诱导生成的视频评估候选锚点，并将视频奖励转换为图像级偏好，用于对T2I生成器进行DPO微调。在全部四个I2V模型上，与未经调优的生成器相比，GAL将VBench平均分提高了$2.97\%$--$8.46\%$。渲染得到的视频片段在VideoReward-Overall下的得分也更高，其提取帧在HPSv3和UniPercept下的得分同样更高。根据VBench动态程度指标，GAL在全部四个I2V模型上均带来稳定的运动性能提升，增幅为$5.62\%$--$38.24\%$。尽管GAL仅基于HunyuanVideo-1.5的渲染结果进行训练，这些提升仍能推广到另外三个I2V模型。