ShotPlan：基于可学习规划令牌的电影级视频生成

当前视频生成模型在单镜头生成上表现优异，但在需要连贯叙事和有效多镜头组合的电影级视频生成方面仍受限。为此，本文提出 ShotPlan，一种基于视频扩散基础模型的显式多镜头电影视频生成框架。该方法引入可学习的规划令牌，捕捉镜头级转换线索，并与原始生成令牌无缝集成以控制转换时间戳。不同于标准令牌，规划令牌配备了分数时间旋转位置嵌入（FRoPE），实现了帧级别的镜头转换建模。实验表明，ShotPlan 显著优于现有方法，提供了更灵活的镜头管理和更强的镜头间一致性。