提出相机可控图像到视频生成框架

2026年10月14日，arXiv Computer Vision 刊出由 Shuai Li 等作者提出的相机可控图像到视频生成框架 Gen Through the Lens。据该报道，这一框架能从给定参考图像合成视频，并实现真实、物理一致的相机操作。其做法是将控制信号分解并融合到三个坐标系：相机坐标（内参）、世界坐标（空间几何提示）和物体坐标（目标主体的 3D 边界框），再通过跨坐标系条件融合统一这些异构线索，从而精确控制相机运动、对焦与取景。报道称，实验显示该框架在多种相机操作下的真实感与可编辑性均优于现有方法。目前公开信息仅来自这一篇报道，尚无后续跟进报道，也未提及代码、模型或数据的发布时间与获取方式。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。