CCIIP实验室22级研究生田杰、鲁镇义及23级博士生瞿晓烨（导师：魏巍）的论文 “Extrapolating and Decoupling Image-to-Video Generation Models: Motion Modeling is Easier Than You Think”被计算机视觉顶级会议CVPR 2025高分录用（4,4,4,5）。本次CVPR 2025会议共有13,008篇投稿，录用2,878篇，录用率22.1%。相较于去年，CVPR 2025总投稿数再次增加，而录用率却降低1.5%。
论文标题：Extrapolating and Decoupling Image-to-Video Generation Models: Motion Modeling is Easier Than You Think（CVPR 2025）
论文作者：Jie Tian, Xiaoye Qu, Zhenyi Lu, Wei Wei*, Sichen Liu, Yu Cheng
内容介绍：在图像生成视频任务（Image-to-Video Generation, I2V）中，通常需要根据给定的静态图像和条件（如文本描述）生成逻辑连贯的视频序列，其核心挑战之一在于如何保证生成视频内容中目标的外观一致性，且确保生成视频内容的语义一致性及逻辑连贯性，比如运动的流畅性。然而，现有I2V扩散模型（I2V-DMs）普遍存在两类典型问题：(1) 生成的视频序列受限于运动幅度；及（2）图像条件与文本条件间容易产生冲突，导致文本指令失效，即当模型过度依赖图像信息时，而往往很难有效遵循给定的复杂指令生成视频序列。针对上述问题，本文提出了一种创新的"外推-解耦"框架，旨在有效缓解I2V任务中的图像依赖问题，该框架采用多阶段处理策略，主要包含三个独立处理阶段：
图1：外推-解耦视频生成框架
（1）在I2V-DM模型的基础上，利用轻量级、可学习的适配器将文本条件注入时间模块中微调，以提高运动可控性（如图1-（a）部分）；
（2）引入无训练外推策略扩大运动的动态范围，有效反转微调过程以显著增强运动幅度（如图1-（b）部分）；
（3）解耦不同运动能力相关参数，并将其更新到基础I2V-DM模型中，以便于I2V-DM在不同去噪时间步长下处理不同程度的运动可控性和动态性，并根据时间动态调整与运动相关参数（如图1-（c）部分）。
通过在最新的视频生成榜单VBench上的实验结果显示，所提模型较基于图像I2V的常规模型（如Animate-Anything，SVD和DynamicicCrafter）在Motion Degree 和Motion Control性能指标上有大幅提升（20.67%和12.76%）, 同时能够保证生成视频的语义一致性和质量不受任何影响，甚至有略有提升。
图二 Vbench-I2V基准实验结果