SCoPE：视频扩散的视线坐标位置编码 Transformer

视频扩散 Transformer 通过像素时间网格上的位置来寻址它们的标记：张量中的地址，而不是世界中的地址。我们想要的地址，即词元描绘的世界点，位于尚未生成的表面上，而一旦用户指定了轨迹，其相机光线就固定了。因此，SCoPE 将射线视为第二个位置坐标，并且相机控制成为坐标系的属性，而不是添加的模块。该射线被添加到预训练注意力的查询和键中，并且分数获得单独读取两条射线的术语。它的规范形式是线几何的倒数，衡量两条视线相交的程度。 Normalize-Gate-Inject 使单个编码可跨度量和高达比例的姿势源进行训练。改造保持 RoPE 位精确，从未更改的预训练 DiT 开始，并添加低于 0.1/% 的新参数。在匹配数据和预算的 5B 和 14B 的 Wan2.2 上，SCoPE 改进了每个摄像机的可控性和保真度指标，领先于所有闭环重访指标，并显示出随着模型大小而扩大的裕度。在 14B 处，旋转误差下降 29/%，FVD 下降 43/%，低于最强基线。