Google 团队提出 VIS-Ground：让交互式视频生成正确锚定上下文
GoogIe · hf · 2026-10-13
Google、UIUC、UCLA 研究者发布 VIS-Ground，解决视频交互叙事（video interactive storytelling）中的上下文锚定难题：观众介入生成时，其请求可能同时依赖叙事源、已渲染视频状态与新意图，这些跨上下文依赖往往无法从单一输入看出。
方法将 contextual grounding 形式化为「把异构输入转化为可执行约束模型」，分三步：
- Structured Context Abstraction：恢复锚定状态与跨上下文依赖；
- Generation Constraints Induction：把相关依赖投影为候选特定约束；
- Constrained Video Generation：通过规划、验证、修订、渲染执行约束。
在三个视频生成骨干上均取得最高综合得分，相对各骨干最强基线平均绝对提升 10.3 分，叙事锚定与知识锚定均有收益；依赖抽取与渲染忠实性仍是难点。
「多模态」频道最新
- toyxyz 开源 Anima 双 ControlNet：3D 姿态与彩色区域分离控制 — bdsqlsz · 2026-10-13
- Midjourney sref 风格码实测:细线剪影插画一键复现 — michaelrabone · 2026-10-13
- Claude+Grok Imagine+Midjourney 打造恐怖歌舞片 MV — Match_Living · 2026-10-13
- --sref 三串风格码生成电影感光影，Midjourney 出图惊艳 — sergeantsref · 2026-10-13
- 金属动画 MV《Sunset》：以「被 AI 取代」为主题的创作 — Aggravating_Copy_140 · 2026-10-13
- Akool 影片挑战赛作品：AI 生成双雄对决火焰碰撞短片 — jijo6686 · 2026-10-13