想象一下，你是一位正在试图拍摄一部电影的导演，而你的演员非常特别且固执。这位演员是一个由名为“扩散模型”的计算机程序创建的数字角色。你可以把这个模型想象成一位神奇而混乱的艺术家，他非常擅长根据你的描述画出图像，但他的记忆力却极差。如果你要求他画一个“带着胡须看书的男人”，他可能会画出一个完美的男人。但如果你接着要求他画同一个男人站起来挥手，他可能会感到困惑。胡须可能会消失，脸型可能会改变，或者这个男人突然看起来完全变成了另一个人。这就是“身份漂移”（identity drift）的问题。在 AI 视频生成领域，要让一个角色在移动和改变动作时保持完全相同的长相，就像是试图在走过热烫的人行道时，让一片雪花不融化一样困难。

现在，想象你不仅想让这位演员做一件事，你还想让他表演一整个剧本。首先他看书，然后他抬头看天，接着他又低头看书。在单次连续的爆发中完成这一切对 AI 来说是一场噩梦，因为视频生成的时长越长，角色的脸部就越容易发生“漂移”和改变。这篇论文解决了一个特定的挑战，即目标是生成一段特定人物执行一系列不同动作的视频，同时确保视频中的人看起来与你开始时的参考照片完全一致。来自中国科学技术大学的研究人员决定不再尝试一次性拍完整部电影。相反，他们想出了一个聪明的办法，将电影分解成易于管理的场景，并在每个场景结束时锚定角色的面部，然后将这些片段缝合在一起，从而确保演员永远不会忘记自己的身份。

三阶段魔术技巧

作者提出了一种“无需训练”（training-free）的流水线，这是一种高级说法，意思是不需要重新教 AI 如何绘画；他们只需要给它更好的指令和更好的工作流。他们将这种方法称为“关键帧锚定身份保持”（Keyframe-Anchored Identity Preservation），这听起来很复杂，但实际上逻辑非常清晰。把它想象成在河流上架一座桥。与其试图一次性铺好整条路（这可能会导致坍塌），不如在特定的点建造坚固、稳固的支柱（关键帧），然后在它们之间填补道路。

第一阶段：剧本医生（动作感知提示词润色）
首先，团队意识到给 AI 的指令太模糊了。原始的提示词就像导演对着一位需要清晰呈现每个动作“最终结果”的艺术家大喊：“好了，现在他看书，然后他抬头！”AI 对于何时停止阅读以及如何抬头感到困惑。

为了解决这个问题，研究人员使用了一个聪明的 AI 助手（大语言模型）来重写剧本。与其描述“阅读”这个动作，助手会将提示词改写为描述角色在阅读后的“状态”。这就像是说“那个人正在转头”与“那个人现在正看向左边”之间的区别。通过专注于每个动作的“终态”（terminal state，即最终姿态），AI 就得到了一个明确的目标。这确保了当 AI 生成“关键帧”（锚点）时，它清楚地知道在那个特定时刻角色应该是什么样子。

第二阶段：连锁反应（身份保持的关键帧生成）
接下来是绘制锚点的过程。研究人员并没有要求 AI 一次性画出整个视频。相反，他们要求 AI 连续画出一系列静止图像。

• 为了画第一张图像，他们向 AI 展示了参考照片（原图中的人）和第一个重写后的提示词。
• 为了画第二张图像，他们向 AI 展示了同一张参考照片（以保持面部不变）以及第一张刚刚生成的图像（以保持身体姿势的连续性）。
• 他们对剧本中的每一个动作都重复这一过程。

这就是“连锁”的部分。通过将前一张图像输入到下一步，AI 知道如何在不丢失与原始面部连接的情况下自然地移动身体。这就像是一个“传声筒”游戏，你传递的是指令，但传递的不是被扭曲的信息，而是一个实体的草图，确保下一个艺术家知道上一个艺术家在哪里结束。这分离了“身份”（脸部，保持不变）和“姿态”（身体，发生变化），解决了漂移问题。

第三阶段：安全网（身份感知推理增强）
最后，AI 有了一系列静止图像（关键帧），但它需要填充它们之间的动作以制作出流畅的视频。这就是奇迹发生的地方。研究人员在视频生成过程中加入了两个特殊的技巧，以确保角色在运动过程中不会出错。

1. 多参考引导（Multi-Reference Guidance）： 想象一下，你正在画画，同时有人在你耳边轻声说着三件事：文本描述、前一帧画面以及原始照片。AI 通常会听从文本和前一帧。研究人员强制要求 AI “格外努力地”去倾听原始照片。他们调整了数学计算，使得“身份”信号被放大，使得 AI 在移动身体时很难意外改变角色的脸部。
2. 噪声搜索（Noise Searching）： 当 AI 生成视频时，它从满屏的静态噪声（就像电视雪花一样）开始，并逐渐清理这些噪声以显现图像。通常，AI 只是随机选择一片“雪花”作为起点。研究人员决定变得挑剔一些。他们生成了多个不同的“雪花”块，并快速测试哪一个能产生效果最好的脸部。他们选出了获胜者，并将其作为起点。这就像是在种下一整片花园之前，先试着不同的种子看看哪一颗能长出最好的花朵。

结果：奏效了吗？

团队在名为 IPVG26 (Track 2) 的竞赛中测试了他们的方法，其目标是生成特定人物执行一系列动作的视频。他们不仅仅是凭感觉猜测；他们根据其他顶尖团队的表现衡量了结果。

他们的方案在官方排行榜上排名第三。虽然他们没有获得第一名，但结果令人印象深刻，尤其是在最关键的领域：保持人物面部可识别性（身份保持）以及确保动作在正确的时间发生（时间对齐）。

当他们测试系统时，发现“多参考引导”是主要的功臣。当移除这一功能时，保持身份一致性的得分显著下降（从 0.4055 降至 0.3520）。这证明了明确告诉 AI 关注参考照片是阻止面部漂移的关键。 “噪声搜索”也有帮助，但提升幅度较小。

论文还比较了两种不同的“骨干网络”（他们使用的底层视频引擎）。他们发现，名为 LTX-2.3 的模型在几乎所有指标上都优于名为 Wan2.1-VACE 的模型。LTX-2.3 模型实现了 0.4971 的总分，而另一个模型为 0.4818。

这意味着什么

这篇论文并未声称已经永久解决了 AI 视频生成的问题。它并没有说角色永远不会改变，或者该方法适用于每一种可能的场景。相反，它表明将复杂的视频任务分解为更小的、有锚定的步骤是一种非常有效的方法。

通过将视频视为一系列“终态”（每个动作的结束状态）而非连续流动的过程，研究人员成功地在动作复杂且具有连续性时保持了角色的身份。他们表明，你不一定需要从头开始重新训练 AI；有时，你只需要给它一张更好的地图、一个更强的锚点，并在它选择起点时给予一点额外的帮助。对于任何试图创作具有一致性角色的数字故事的人来说，这种“关键帧锚定”的方法提供了一种可靠且无需训练的方式，让演员无论表演多少个场景都能始终入戏。