一句话看懂：alphaXiv 收录的论文 WorldForge V2（2026 年 10 月）提出一套相机轨迹引导方法，让预训练视频扩散模型在改变视角时保持场景外观和物体运动，仅需一个训练场景即可泛化到未见场景。
事件核心：发生了什么
论文关注视频扩散模型在空间任务中的短板：相机控制不精确、时空不一致、镜头运动与场景动态纠缠。WorldForge V2 先用基于深度图的扭曲参考做无训练引导，在去噪过程中迭代修正生成结果；通过光流分析筛选与运动相关的潜变量通道，并借助双路径对比引导与无引导预测来抑制伪影。为降低开销，v-cache 复用上一步预测来近似修正，避免额外模型评估。作者进一步把运动定位扩展到网络层，训练 Trajectory LoRA，两阶段策略让适配器学会在受引导生成中处理对应状态。摘要称，单一训练场景已支持泛化，并在多个数据集上取得生成质量与轨迹准确率的前沿结果。以上信息来自论文摘要，不代表已上线的产品功能。
为什么重要
相机可控性一直是视频生成模型从“内容创作”走向“空间重建、视频重渲染”等任务的关键门槛。此前路线要么依赖任务微调，要么在生成后做扭曲后处理，往往带来视觉伪影或泛化不足。WorldForge V2 的思路是把扭曲参考放进去噪流程内部，而不是当作最终结果，同时用极少量训练数据适配网络层。若复现成立，这会降低视频模型厂商和开发团队做可控视角生成的数据与算力门槛，也可能影响 3D/4D 生成工具的技术选型。
对用户/开发者/创作者的影响
对创作者，这类方法指向“先拍一张、再让视频模型按指定镜头路径探索场景”的用法，但目前仅是论文阶段，尚无可用 API 或产品。对开发者，Trajectory LoRA 和 v-cache 的设计提供了轻量适配与推理节省的思路，值得关注其开源情况与推理成本。对做视频重渲染、虚拟拍摄或空间内容管线的团队，重点在于能否把这种控制精度稳定接入现有生成流程，而非仅看单次演示。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是作者是否发布代码、模型权重或可复现的评测脚本；二是“单场景泛化”在更多真实素材和长视频上的表现，摘要之外的信息目前公开有限；三是主流视频生成模型是否跟进类似的轨迹 LoRA 或去噪期引导方案。
来源：alphaXiv
