VIS-Ground：基于上下文锚定的交互式视频叙事
交互式视频叙事允许观众影响视频的发展，但新的请求可能同时依赖于源材料和已经生成的视频内容。VIS-Ground 将这些异构输入转化为可执行的视频生成约束：提取有依据的状态及跨上下文依赖关系，为候选内容推导约束，并通过规划、验证、修订和渲染加以落实。在三种视频生成骨干模型上的测试中，VIS-Ground 的综合得分最高，平均比各模型最强基线高出 10.3 分。研究还指出，依赖关系提取以及在渲染视频中忠实呈现这些约束仍存在挑战。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。