2025_NIPS_DisMo: Disentangled Motion Representations for Open-World Motion Transfer

DisMo 论文总结与核心部分翻译

一、文章主要内容

DisMo（Disentangled Motion Representations）是一种用于开放世界运动迁移的新型范式，核心目标是从原始视频数据中学习与静态内容（如外观、物体身份、姿态）解耦的抽象运动表征。

核心背景

现有文本到视频（T2V）和图像到视频（I2V）模型虽能生成视觉逼真的动态视频，但缺乏对运动的显式表征，运动信息与内容高度绑定，难以实现跨类别、跨视角的灵活运动迁移；而传统基于光流或关键点的运动表征方法，受限于特定实例结构和视角，泛化能力不足。

技术框架

1. 双核心组件：联合训练的运动提取器（ M θ M_{\theta}