从Sora的惊艳亮相到多款高性能开源模型的诞生，视频生成在过去两年迎来爆发式进步，已能生成几十秒的高质量短片。然而，要想生成时长超过1分钟、内容与运动可控、风格统一的超长视频，仍面临巨大挑战。 为此，上海人工智能实验室联合南京大学、复旦大学、南洋理工大学S-Lab、英伟达等机构提出LongVie框架，系统性解决可控长视频生成中的核心难题。
经过真实与虚拟数据的大规模训练，能够生成长达5分钟的视频，同时支持根据用户输入的图像或文本描述生成视频序列。
官方提供的数据显示，该模型生成的视频分辨率为1280x720像素（720p）。官方博客称，在多个视频生成基准，包括UCF-101和Kinetics-600数据集上进行的评估显示，LongVie 2达到了最先进水平。
模型、代码、论文、数据以及在线演示目前可通过官方渠道获取。
难点剖析
直接利用当前的可控视频生成模型生成分钟级长视频时，通常会出现以下问题：
时序不一致：前后画面细节与内容不连贯，出现闪烁等现象。
视觉退化：随时长增长，出现颜色漂移、清晰度下降等问题。
解决时序不一致：两项关键策略
LongVie从「控制信号」与「初始噪声」两条路径入手：
1.控制信号全局归一化（Control Signals Global Normalization）
将控制信号在全片段范围内统一归一化，而非仅在单一片段内归一化，显著提升跨片段拼接时的一致性。
2.统一噪声初始化（Unified Noise Initialization）
各片段共享同一初始噪声，从源头对齐不同片段的生成分布，减少前后帧外观与细节漂移。
解决视觉退化：多模态精细控制
单一模态的控制难以在长时间下提供稳定而全面的约束，误差会随时间累积并引发画质下降。
LongVie融合密集控制信号（如深度图）与稀疏控制信号（如关键点），并引入退化感知训练策略，在更贴近长序列退化分布的条件下训练模型，使长视频生成在细节与稳定性上同时受益。
LongVie能力展示
LongVie支持多种长视频生成下游任务，包括但不限于：
视频编辑：对长视频进行一致性的内容修改与编辑。
风格迁移：对整段长视频执行统一且时序连贯的风格迁移。
Mesh-to-Video：从三维体素出发生成逼真的长视频。
LongVGenBench：首个可控超长视频评测基准
当前缺乏面向可控长视频生成的标准化评测。为此，作者团队提出LongVGenBench——首个专为超长视频生成设计的基准数据集，包含100个时长超过1分钟的高分辨率视频，旨在推动该方向的系统研究与公平评测。
基于LongVGenBench的定量指标与用户主观测评显示，LongVie在多项指标上优于现有方法，并获得最高用户偏好度，达到SOTA水平。
AI 速览
