近年來，視頻生成技術，尤其是基于擴散模型（Diffusion Model）的技術，發展極為迅速，從文本到視頻（Text-to-Video，T2V）、圖像到視頻（Image-to-Video，I2V）等任務不斷取得突破。商業化系統（如 Sora、Veo3、Kling、Vidu）已經能生成媲美專業制作的視頻內容，極大提升了創作效率，同時降低了成本。

在此過程中，主體到視頻（Subject-to-Video, S2V）生成任務開始備受關注。S2V 的目標是：給定一個或多個參考圖像，生成主體外觀一致、背景可控的動態視頻。這種方法結合了文本生成的創造性和圖像生成的精準性，適合數字人、虛擬試穿、電商廣告、藝術創作等場景。

然而，現有開源 S2V 模型難以在多主體場景中保持主體一致性，也難以實現背景信息的有效解耦。

論文地址：https://arxiv.org/pdf/2510.18573

代碼地址：https://github.com/CriliasMiller/Kaleido

為應對這些挑戰，來自合肥工業大學、清華大學和智譜的研究團隊提出了開源多主體參考視頻生成框架——Kaleido，旨在讓開源模型在一致性與背景解耦方面達到最優水平。

圖｜Kaleido的S2V生成，涵蓋單人和多人場景中的人物、物體及可控背景生成。

實驗表明，Kaleido 在一致性、保真度和泛化能力方面均優于先前的方法，代表了 S2V 生成領域的重要進展。

圖｜S2V 評估（左）和用戶研究結果（右）。

研究框架

現有 S2V 方法在保持多主體一致性和處理背景解耦方面仍存在不足，在多圖像條件下，這通常會導致較低的參考保真度和語義漂移，可歸因于幾個因素：

訓練數據不足且質量不高：包括采樣覆蓋不足、低質量樣本污染，以及慣用的“視頻幀取圖”方式，使模型傾向于原封不動復制參考圖像內容，連不相關的背景都保留，難以泛化。

條件注入策略不佳：現有方法在將多參考圖像特征引入視頻生成時，容易出現主體信息混疊、空間位置沖突，導致生成視頻中多主體錯誤融合或丟失細節。

基于此，研究團隊提出新的數據構造流水線及對應的條件注入方案，創新點主要體現在三點：

1.高質量多樣化數據構建流水線

多類主體采樣與細顆粒度過濾（尺寸、模糊度、亮度、類別一致性）。

引入跨配樣本（Cross-Paired Data） 生成：將主體圖像與不相關視頻配對打亂背景信息，迫使模型學習主體與背景的解耦。

背景擦除與位姿動作增強：利用圖像修復與姿態變化擴展主體的表現形式。

2.Reference Rotary Positional Encoding (R-RoPE) 條件注入機制

將多參考圖像編碼后的 token 與視頻 token 序列拼接，但在空間–時間坐標上人為偏移，確保模型區分“視頻幀”與“參考圖片”。

避免多主體場景下的 token 混淆，使各主體在生成視頻中保持獨立與一致。

3.兩階段訓練策略

在 200 萬組數據上進行預訓練，建立通用生成能力。

之后在 50 萬組高質量數據上進行監督微調（SFT），提升主體一致性與背景解耦效果。

實驗結果與效果

在多個維度評測中，Kaleido 展現了強大的性能：

主體一致性（S2V Consistency）：在測試集中達到 0.723，達到測試模型的最高水平。

背景解耦（S2V Decoupling）：得分 0.319，顯著優于現有方法，幾乎消除了參考背景污染。

美學質量與視頻平滑度：在 VBench 框架下的美學質量在開源模型中排名第一，視頻中的運動平滑性接近閉源模型 Kling。

主觀評測：用戶調查中，Kaleido 在視頻質量、主體一致性、背景解耦等方面均獲最高平均分。

更具體地，消融實驗表明：

有了 Cross-Paired 數據，背景解耦能力顯著提升（+0.013 分）。

R-RoPE 同時在寬與高維度偏移時表現最好，避免了多主體場景下主體混淆。

在卡通、動物、復雜人群等多樣化場景中，Kaleido 生成的視頻均保持主體細節和動態動作合理。

不足與未來方向

雖然 Kaleido 在開源體系中表現突出，但仍存在一些局限性：

極端背景與多主體超載場景：在背景異常復雜或主體數量極多時，可能出現細節丟失或輕微身份混淆；

長視頻一致性：當前模型在長視頻中保持主體連續性仍有進一步提升空間。

未來探索方向包括：

研究更輕量的多參考條件融合機制，提高推理速度與可移植性；

針對長視頻生成優化時間一致性；

持續擴展開源數據集，使模型覆蓋更多風格與主體類型；

將 S2V 擴展到多任務統一框架（如視頻編輯、虛擬試穿、角色動畫），實現“一體化視頻生成”。

如需轉載，請直接在本文章評論區內留言