技術要約: OrthoMotion

問題提起

制御可能なビデオ生成には、カメラの動きと被写体の動きを独立して制御することが求められる。しかし、既存の手法は**もつれ（entanglement）**の問題に直面しており、一方の軸（例：カメラのオービット）を制御しようとすると、他方（例：被写体の軌跡）が意図せず歪んでしまう。

本論文は、これが単なるアーキテクチャの失敗ではなく、**表現の曖昧性（representational ambiguity）**であると主張している。シーン内の点における深度 $Z$ の光学フローの方程式に基づくと、カメラの並進運動と物体の自己運動は、共に逆深度因子（$1/Z$）でスケールする。したがって、2D条件付けの設定において、カメラによるフローと物体によるフローの分離は、**不良設定逆問題（ill-posed inverse problem）**であり、識別不可能（non-identifiable）である。明示的な制約がない限り、モデルは2Dの画像証拠のみから、動いているのがカメラなのか物体なのかを区別できず、結果として固有の相互干渉（cross-talk）が生じる。

手法: OrthoMotion

OrthoMotionは、デカプリング（切り離し）をDiffusion Transformer（具体的にはWan2.1）のアテンション機構内におけるオペレータ設計問題として再定義することで、このもつれを解決する。本手法は、カメラ制御と被写体制御を代数的に補完的なサブオペレータへとルーティングする幾何学・意味論直交（Geometry–Semantics Orthogonal: GSO）アテンションを導入する。

1. 幾何学的チャネル（カメラ）

カメラの動きは、**回転位置埋め込み（Rotary Position Embedding: RoPE）**フェーズに注入される。

• メカニズム: ノルムを保存しない射影的埋め込み（RoPEの不変性を壊すもの）や加法的な注入ではなく、OrthoMotionは、クエリおよびキーベクトルに対して**ノルム保存回転（norm-preserving rotation）**を適用する。
• 数学的形式: グローバルな直交行列 $\Omega(g) \in SO(d_h)$ が、標準的なRoPE回転 $R(p)$ と合成される。ロジットは $\tilde{q}_i^\top \tilde{k}_j = q_i^\top R(p_i)^\top \Phi_{ij} R(p_j) k_j$ となり、ここで $\Phi_{ij}$ は相対的なカメラポーズにのみ依存する。
• 理論的保証: Proposition 1およびTheorem 2によれば、この操作はトークンのノルムとsoftmaxの温度幾何学を保持する。これにより、カメラ制御がアテンション統計を歪めたり、パーピクセルな物体項として偽装したりすることなく、純粋な幾何学的ワープとして機能することを保証する。

2. 意味論的チャネル（被写体）

被写体の動きは、**クロスアテンション（Cross-Attention）**の値（values）に注入される。

• メカニズム: 被写体の軌跡トークンは、テキストのキー/値に付加され、被写体領域に特化したソフトマスク $M_t(x)$ によってゲート制御される。
• 数学的形式: 更新は、値空間における**加法的な平行移動（additive translation）**である： $o_i = \sum \alpha_{ij} v_j + \sum \beta_{ik} v_{\tau}^k$。
• 理論的保証: Proposition 3に従い、この操作は加法的かつ局所的である。これはクエリ/キーの幾何学（カメラフェーズ）を変更せず、対象となるマスク内に厳密に限定されるため、ターゲット領域外へのリークを防ぐ。

3. デカプリング正則化器

両方のチャネルが干渉しないように、著者らはデカプリング正則化器（Decoupling Regularizer） ($\mathcal{L}_\perp$) を導入している。

• 目的: この正則化器は、カメラの応答ヤコビアン ($\hat{J}_g$) と被写体の応答ヤコビアン ($\hat{J}_\tau$) の内積のフロベニウスノルムを最小化する：
  $$\mathcal{L}_\perp = \| \hat{J}_g^\top \hat{J}_\tau \|_F^2$$
• 理論的保証: Theorem 3は、$\mathcal{L}_\perp$ を最小化することで、応答部分空間を直交へと導くことを証明している。これにより、2つの制御間の一次の相互干渉（リーク）を抑制する。もつれが自然に解消されるのを待つ従来のメソッドとは異なり、OrthoMotionは構成によってこれを保証する。

主な貢献

1. 表現の診断: 本論文は、カメラと物体のエンタングルメントが、光学フローにおける共通の $1/Z$ スケーリングに起因することを形式的に証明し、特定のオペレータ制約なしには2Dでの分離が識別不可能であることを示した。
2. 正則化を伴うGSOアテンション: 二重チャネル・アーキテクチャ（幾何学的フェーズ + 意味論的値注入）と、応答部分空間間の直交性を数学的に強制する正則化器を提案した。
3. 相互干渉誤差（Cross-Talk Error: CTE）メトリック: リークを定量化するための新しい指標を導入した：
   • $CTE_{c \to s}$: カメラをスイープした際の被写体のドリフト。
   • $CTE_{s \to c}$: 被写体をスイープした際のカメラのドリフト。
4. 初の保証されたデカプリング: 自然発生的な挙動に頼るのではなく、理論的な保証を提供する初めての手法である。

実験結果

Wan2.1-1.3Bをバックボーンとして評価し（14BおよびCogVideoX-2Bでの汎用性もテスト）、OrthoMotionは以下の成果を達成した：

• 最先端の精度: カメラの回転/並進誤差および被写体軌跡の正確度（ObjMC）の両方において、ベースライン（MotionCtrl, MotionPro, Tora+ReRoPE）を同時に上回る。
• 劇的な相互干渉の削減: 正則化器を使用しないバリアントと比較して、$CTE_{c \to s}$ を2.4倍以上削減した（11.3 px $\to$ 4.6 px）。
• 忠実度の損失なし: FVD（Fréchet Video Distance）やCLIP類似性を低下させることなく、これらの利得を実現した。実際、これらを向上させている。
• アブレーション解析の洞察:
  • 正則化器（$\mathcal{L}_\perp$）を取り除くと、相互干渉が大幅に増加する。
  • 非ノルム保存型の注入（加法的なPlückerなど）を使用すると、忠実度が低下する。
  • 最適な正則化重みは $\lambda=0.1$ であることが判明した。
  • 単一軸の性能は特化型コントローラーと同等またはそれ以上であり、「共同制御によるペナルティ（joint-control penalty）」がないことを裏付けている。

意義と主張

本論文は、単なるアーキテクチャのチューニングではなく、根本的な表現の曖昧性に対処することで、カメラと被写体のデカプリング制御という未解決問題の解決を主張している。

• 理論的転換: 分離（デタングリング）を、データや学習の副産物として扱うのではなく、オペレータの直交性による設計上の保証へと移行させた。
• 実用的影響: カメラと被写体を「2つの独立したダイヤル」のように、以前の手法で見られた「引きずり」や「摂動」なしに、独立して操縦できるシネマティックな制作を可能にする。
• 限界: 著者らは、現在の手法が一次のヤコビアン推定に依存しており、剛体シーンを前提としていること（式1に基づく）を認めている。変形する被写体やマルチオブジェクトのシーンへの拡張が、今後の課題として挙げられている。