arXiv · 机器人与计算机视觉· Zixiang Zhou, Zhentao Yu, Yifeng Ma, Hongmei Wang, Wenqing Yu, Cong Wang, Zilin Yang, Rui Chen, Jiarong Ou, Yezhou Liu, Yuan Zhou, Qinglin Lu·· 14 小时前AI 评分67
Aura:基于 VLM 语义对齐的一致多主体视频生成
Aura: Consistent Multi-Subject Video Generation via VLM-Grounded Semantic Alignment
AI 导读
该论文提出 Aura 统一框架,旨在实现高保真且身份一致的视频生成。方法引入 AI 导演级描述捕捉场景动态,利用带可学习查询的视觉语言模型提取多模态特征,并通过两阶段策略将 VLM 特征映射至扩散 Transformer 空间。
来源:arXiv · 机器人与计算机视觉 · arxiv.org