arXiv cs.AI· Shuai Li, Jinxu Xiang, Xinyuan Li, Hanlei Guo, Xiyang Tan, Alan Zhao, Xiaotong Zhao, Ran Zhang·· 3 天前AI 评分31
Gen Through the Lens：跨坐标系条件融合的相机可控视频生成
Gen Through the Lens: Camera-Controllable Video Generation via Cross-Coordinate Conditioning Fusion
AI 导读
Gen Through the Lens 是一个相机可控的图像到视频生成框架，通过跨坐标系条件融合，将相机坐标（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）三类异构控制信号统一起来，实现对相机运动、对焦和构图的精确控制，同时保持时空一致性。实验表明，该方法在多种相机操作下均能生成可控且视觉一致的结果，在真实感和可编辑性上优于现有方法。
正文 · AI 翻译
摘要：我们提出了 Gen Through the Lens，一个相机可控的图像到视频生成框架，能够从给定的参考图像合成视频，同时实现真实且物理一致的相机操作。与以往将相机运动视为抽象条件或依赖单一坐标系的模型不同，我们的方法显式地在三个坐标空间中分解并融合控制信号：相机坐标（由内参建模）、世界坐标（由空间几何提示表示）和物体坐标（由目标主体的 3D 边界框描述）。通过跨坐标条件融合，这些异构线索被统一起来引导生成过程，从而在保持时间和空间连贯性的同时，实现对相机运动、对焦和构图的精确控制。大量实验表明，我们的方法在多种相机操作下都能产生可控且视觉一致的结果，在真实感和可编辑性方面均优于现有方法。
| 评论： | 15 页，9 幅图，5 张表。Shuai Li 和 Jinxu Xiang 贡献相同；Ran Zhang 为通讯作者 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；图形学（cs.GR）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.15900 [cs.CV] |
| （或 arXiv:2610.15900v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15900 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
发件人：Ran Zhang [查看邮箱]
[v1]
2026 年 10 月 11 日星期日 20:27:58 UTC（6,919 KB）
来源：arXiv cs.AI · arxiv.org