结论
西湖大学、北京航空航天大学与新加坡管理大学团队公开预印本《WorldForge V2: Eliciting Camera-Trajectory Alignment in Video Diffusion Models》，提出在冻结预训练视频扩散模型条件下实现精确相机轨迹控制的框架。作者报告称，以训练自由引导管线加v-cache近似修正与轨迹敏感轻量LoRA，在多公开数据集上达到生成质量与轨迹精度的最优结果，且单训练场景即可泛化至未见场景。这是作者在受控评测协议上的单次报告结论，版本为v1且未标注会议或期刊接收，尚未经过同行评审，也未经本站独立复现，不应视为普遍、因果或可直接部署的事实。
研究状态与发布时间
该工作以arXiv预印本形式首次公开，版本为v1，学科为cs.CV。arXiv摘要页记录的提交时间为2026年10月22日17时53分03秒UTC，换算为北京时间为2026年10月23日01时53分03秒，因此归入本次上海日历日10月23日窗口。摘要页与HTML全文页均可确认该时间与v1首发状态，评论中未标注已接收或同行评审结论，仍按预印本处理。主题为视频扩散模型的相机轨迹对齐方法与评测，不涉及商业模型发布、产品功能上线或仓库版本本身，归入研究进展符合收录边界。
研究对象与方法
研究对象是预训练视频扩散模型在空间任务中的相机路径跟随，需按指定轨迹改变视点，同时保持场景内容、物体运动、时序连贯与视觉质量。作者沿扭曲重绘路线，先由单图或单帧重建几何并渲染为轨迹对齐的扭曲参考，再以模型补全未见区域。训练自由部分包括三组件：段内递归精化将扭曲参考融合进模型预测的清洁估计再重加噪至当前步，以统一噪声实现减少去噪状态域差；流门控隐融合以光流分析定位与运动高度相关的隐通道，仅在这些通道注入轨迹引导，以减少外观失真；双路径自纠正引导对比有引导与无引导去噪方向，以差值抑制不可靠偏移并保留有效轨迹约束。为降采样成本，v-cache直接在噪声隐空间近似清洁估计修正，避免额外模型评估。优化扩展部分将运动通道定位思想延伸至网络块，选择对轨迹引导最敏感的块仅做LoRA适配，并以两阶段策略学习引导生成中遇到的去噪状态。
评估条件与数据范围
论文称在多公开数据集上做定量与定性评测，覆盖静态与动态场景、重建补全与相机轨迹精度维度，比较对象包括训练式相机控制与训练自由基线。实现上保持预训练主干固定或仅更新轨迹敏感块的低秩适配器，训练数据可少至单个场景，测试强调向未见场景的迁移。度量围绕生成质量与轨迹准确性，另报告训练与推理效率、消融与场景多样性影响。以上范围均来自当日论文同一套扭曲引导管线，不涉及开放长视频、实时交互或跨骨干大规模部署的一般保证。
作者报告的主要结果
作者称WorldForge V2在多数据集比较中达到最优的生成质量与轨迹精度，同时保持预训练模型的视觉与时序先验。作者称v-cache在保留清洁估计融合收益的同时减少额外评估开销，降低推理延迟。作者称轨迹LoRA以极少监督实现可靠跟随，单训练场景已支持向未见场景泛化，优于全模型微调与大控制模块的数据效率。编辑解释是：最优与泛化均限论文所用数据集、轨迹分布与可见性掩膜质量，不构成跨数据、跨传感器或生产节拍的保证，单场景成功不等同于开放环境可靠作业。
局限与不确定性
本工作为预印本v1，未经同行评审，结论未经独立复现，不得将受控相关性写成因果或已获广泛认可的事实。方法依赖几何重建、深度估计、光流通道评分与可见性掩膜，对遮挡、反光透明、快速动态与大视角缺失敏感，不推广到无可靠几何先验或强动态纠缠场景。单场景泛化结论限受控迁移实验，训练场景多样性、更新步数与块选择策略影响结果。论文摘要未给出可独立核对的绝对数值表与置信区间，正文截断提取有限；延迟、显存峰值、跨硬件一致性与失败模式量化尚未完整披露，引用前需核对自身骨干、分辨率与轨迹复杂度是否匹配。
潜在意义
若后续复现与正式发表成立，该路线为相机可控视频生成提供了除大规模轨迹视频监督与全模型微调之外的节俭选项，提示清洁估计融合与运动定位适配可兼顾控制精度与先验保持。对关注三维四维生成、视频重渲染与世界模型的中国读者，可将其视为待验证的候选基线，在复现完成前重点核对扭曲参考质量、光流假设与评测协议，而非直接作为选型或上线依据。