[CV]《Motion Attribution for Video Generation》X Wu, D Paschalidou, J Gao, A Torralba… [NVIDIA] (2026)

在视频生成领域，理解训练数据如何塑造生成视频的动态特性（Motion）是一个悬而未决的难题。过去的方法受困于将视频简单视为图像序列的堆叠，本质原因是它们无法从复杂的静态背景和外观纹理中剥离出纯粹的时间维度动力学信号。

本文的核心洞见是：通过运动掩码将归因过程从全视频像素重新聚焦于动态区域。由此，运动加权梯度（Motion-weighted Loss Masks）这一关键操作使模型能够精确识别出哪些训练片段真正贡献了物理一致性和运动平滑度，而非仅仅是视觉相似性。

这项工作真正留下的遗产是构建了首个针对视频动力学的可扩展数据归因框架 Motive。它为后来者打开的新门是利用极小比例（10%）的关键数据实现超越全量微调的运动质量，但尚未跨过的门槛是彻底分离相机运动与物体自主运动，以及处理极端遮挡下的运动归因精度。

arxiv.org/abs/2601.08828 机器学习 人工智能 论文 AI创造营