在视频生成领域，尽管近年来取得了显著的进展，但现有的生成模型仍然难以真实地捕捉到复杂的运动、动态和物理现象。这种局限性主要源于传统的像素重构目标，这种方法往往偏向于提高外观的真实感，而忽视了运动的一致性。
为了解决这一问题，Meta 的研究团队提出了一种名为 VideoJAM 的新框架，它旨在通过鼓励模型学习联合外观 - 运动表示，来为视频生成模型注入有效的运动先验。
VideoJAM 框架包含两个互补的单元。在训练阶段，该框架扩展了目标，使其同时预测生成的像素和对应的运动，二者都来自于一个单一的学习表示。
在推理阶段，研究团队引入了一种名为 “内在引导” 的机制，通过利用模型自身不断演变的运动预测，作为动态指导信号，来引导生成过程朝着一致的运动方向发展。值得注意的是，VideoJAM 能够在不需要修改训练数据或扩展模型的情况下，应用于任何视频生成模型。
经过验证，VideoJAM 在运动一致性方面达到了业界领先的水平，超越了多个竞争激烈的专有模型，同时也提升了生成图像的视觉质量。这一研究结果强调了外观与运动之间的互补关系，当这两者有效结合时，能够显著提高视频生成的视觉效果和运动连贯性。
此外，研究团队展示了 VideoJAM-30B 在复杂运动类型生成中的优秀表现，包括滑板运动员的跳跃、芭蕾舞者在湖面上旋转等场景。通过对比基模型 DiT-30B，研究发现 VideoJAM 在运动生成的质量上有显著提升。
项目入口：https://hila-chefer.github.io/videojam-paper.github.io/
划重点:
🌟 VideoJAM 框架通过联合外观 - 运动表示提升视频生成模型的运动表现力。
🎥 在训练过程中，VideoJAM 能够同时预测像素和运动，增强生成内容的一致性。
🏆 经过验证，VideoJAM 在运动一致性和视觉质量方面均超越了多个竞争模型。
