TrajLoc：多目标运动控制的轨迹注意力定位

在图像到视频 (I2V) 生成中控制多个对象的运动需要保留对象身份，同时强制遵守不同的目标轨迹。随着对象数量的增加以及它们的路径相互交叉或遮挡，这变得尤其具有挑战性。现有的方法将多个轨迹纠缠在共享的密集调节信号中，使得在拥挤的场景中难以保留对象级对应关系。我们脱离了这种范式，并强制执行严格的、每个对象的空间约束，独立地隔离实例。我们的方法 TrajLoc 直接在注意力层中实现了这一点，方法是用每帧以其目标位置为中心的高斯热图替换每个对象标记的交叉注意力权重。相同的每个对象词元接口通过学习的嵌入来承载轨迹和深度，并通过编码第一帧外观来代替对象词元来保留身份。对六个数据集（包含多达 20 个同时控制的对象和分布外的现实世界场景）的评估表明，我们的方法持续提高了视觉保真度和轨迹依从性。应用于两个架构不同的主干（CogVideoX 5B 和 WaN 2.1 14B）时，与最强基线相比，我们的方法实现了 +4.3 dB PSNR 的平均增益，并且轨迹终点误差减少了 51%。项目页面：https://sela-omer.github.io/traj-loc/