MoRight：正确完成运动控制

生成运动控制视频（用户指定的动作在自由选择的视点下驱动物理上合理的场景动态）需要两项功能：（1）解开运动控制，允许用户单独控制对象运动并调整摄像机视点； (2) 运动因果关系，确保用户驱动的动作触发其他对象的连贯反应，而不仅仅是移动像素。现有方法在两个方面都存在不足：它们将相机和物体运动纠缠成单个跟踪信号，并将运动视为运动位移，而不对物体运动之间的因果关系进行建模。我们引入了 MoRight，一个统一的框架，通过解缠结的运动建模解决了这两个限制。对象运动在规范静态视图中指定，并通过时间交叉视图注意转移到任意目标相机视点，从而实现分离的相机和对象控制。我们进一步将运动分解为主动（用户驱动）和被动（结果）组件，训练模型从数据中学习运动因果关系。在推理时，用户可以提供主动运动，MoRight 预测结果（正向推理），或者指定所需的被动结果，MoRight 恢复合理的驾驶动作（逆向推理），同时自由调整相机视角。三个基准测试的实验证明了其在生成质量、运动可控性和交互意识方面的最先进性能。