5分钟AI小课堂 | 让图生视频不只会动，还能按你的想法动

最近你用图生视频了吗？上传一张图片、输入一句提示词，AI可以生成一段效果不错的视频。人物会走动，汽车会驶过街道，天空中的飞鸟也能展开翅膀。让静态画面“动起来”，已经不再是难事。

但如果把要求说得更具体一些，挑战就出现了：不是简单地让画面动起来，而是希望图中的某个物体移动到指定位置，同时尽量保持背景稳定。比如，让小狗跑到树下，让汽车开到指定车位，或者让直升机飞到天空中的某个区域。

这时，AI需要理解用户想移动的是哪个物体、它应该出现在什么位置，以及从第一帧到最后一帧之间该如何自然过渡。这正是英特尔AI解决方案工程与创新部门的Search2Motion项目关注的问题。

简单来说，Search2Motion希望在无需重新训练模型的情况下，把用户对“物体应该移动到哪里”的直观指令，转化为图像转视频模型可以理解和利用的首尾帧约束。

Search2Motion是一种面向图像转视频生成的物体级运动编辑框架。与一些需要用户提供运动轨迹、边界框或掩码的方法不同，它采用“目标帧控制”的思路：用户从一张图片出发，指定目标物体希望移动到的位置，系统就会构建一张“目标尾帧”，再让预训练的视频生成模型补全中间运动。

换句话说，它不是让用户逐帧“画路径”，而是先确定“最后应该到哪里”。这样既降低了交互门槛，也避免为了这类控制任务重新训练视频生成模型。

第一步，找到合理位置。系统会理解画面语义，并为用户提供适合放置目标物体的可交互区域。例如，直升机更适合出现在天空，棕熊更适合走在山路上。

第二步，生成目标尾帧。用户把物体放到目标位置后，系统会完成物体分割、背景修补和重新插入，生成一张与原图场景尽量一致、但目标物体已经移动到新位置的最后一帧。

第三步，补全运动过程。系统将原图作为第一帧、目标尾帧作为最后一帧，交给预训练的首尾帧视频生成模型，由模型推断中间的自然运动过程。

同样的输入，生成式AI也可能因为随机种子不同而得到不同结果：有的更自然，有的则可能出现物体变形、运动不稳定或没有准确到达目标位置的问题。

为此，Search2Motion提出了ACE-Seed，即一种基于早期注意力共识的种子筛选方法。研究人员发现，在视频生成的早期阶段，模型的自注意力图已经能反映物体和相机运动的趋势，因此可以提前判断哪些种子更可能生成稳定、合理的结果。

可以把它理解成一次轻量级的“预选”：系统不用等所有候选视频都生成完再比较，而是在早期就筛掉不太可靠的种子，从而在不依赖完整候选视频预览或外部评估模型的情况下，提升运动保真度。

要判断一个模型是否真的把物体“按用户意图移动到了合适位置”，评估方式也很重要。Search2Motion研究团队还设计了面向稳定相机、仅物体运动场景的测试集和指标，尽量把评估焦点从相机运动、背景变化中剥离出来，并避免依赖真实运动轨迹标注，从而更清楚地观察模型的物体级运动控制能力。

随着AI视频生成在真实感与连贯性上不断进步，一个重要方向，是让生成结果更准确地响应用户意图。Search2Motion尝试用无需重新训练的方式，让用户更直观地控制图像中某个物体移动到哪里。

这类研究也体现了英特尔在多模态AI、生成式AI和高效推理方法上的持续探索：不仅关注模型能否生成高质量内容，也关注AI能否更好理解并执行用户的创作意图。对普通用户来说，这类探索意味着，未来AI视频工具或许不仅能把照片变成视频，还能更接近我们心中“想让画面怎么动”的那一步。