Wan-Move: Motion-controllable Video Generation via Latent Trajectory Guidance

Wan-Move 论文核心总结与关键部分翻译

一、主要内容总结

1. 研究背景与问题

现有运动可控视频生成方法存在两大核心缺陷：一是运动引导表示要么粒度粗糙（如边界框、分割掩码无法控制局部运动），要么需额外模型（如光流估计引入累积误差）；二是融合方式依赖辅助运动编码器或修改模型架构，导致信号损耗且难以大规模微调。同时，缺乏高质量、长时长、标注完善的专用基准测试集。

2. 核心方案：Wan-Move 框架

• 运动表示：采用密集点轨迹（point trajectories），兼顾细粒度控制与无额外模型依赖的优势。
• 核心创新：将像素空间的点轨迹映射到 latent 空间，通过复制第一帧在轨迹初始位置的特征并沿 latent 轨迹传播，直接更新条件特征，无需新增辅助模块或修改基础模型架构。
• 训练与推理：基于现有图像到视频（I2V）模型（如 Wan-I2V-14B）微调，保留原模型能力；推理时结合文本提示、首帧图像和点轨迹，通过分类器引导增强生成对齐性。

3. 配套基准测试集：MoveBench

• 包含 1018 个 5 秒、480×832 分辨率视频，覆盖 54 类内容，提供点轨迹和分割掩码双重标注。
• 采用“人类+SAM 模型”混合标注流程