腾讯ARC开源SCoPE：给视频扩散模型加相机轨迹控制

腾讯ARC（腾讯应用研究中心）开源了一项面向视频扩散Transformer的工作 SCoPE（Sightline-Coordinate Positional Encoding），并针对阿里 Wan2.2-I2V-A14B 模型发布了自包含的推理代码。开发者无需单独下载 Wan2.2 的模型检查点，即可按"首帧+文本提示+相机轨迹"的方式生成视频。

SCoPE 要解决什么问题

目前的图生视频（image-to-video）模型虽然能基于一张首帧生成连贯动态内容，但对相机运动的可控性仍然偏弱。常见做法只能靠文字提示"推、拉、摇、移"来隐式引导，难以精确复现指定轨迹。SCoPE 的切入点是把"相机视线（sightline）"——也就是相机在三维空间中的位置和朝向——作为显式的位置坐标注入 Transformer 的位置编码（positional encoding），从而让相机运动成为模型可学习的几何信号。

方法的关键思路

SCoPE 的名称已经透露了核心机制：Sightline-Coordinate Positional Encoding。具体来说：

• 把相机视线作为额外的位置坐标维度；
• 把这些坐标拼接到原有的位置编码中，输入到预训练好的视频扩散 Transformer；
• 在不破坏原有 image-to-video 先验的前提下，让模型学会按照给定相机轨迹拍摄。

这意味着，开发者可以先提供一张画面作为起点，再描述相机该怎么运动（例如"绕主体旋转 30 度"、"沿 Y 轴缓慢推进"等），模型就能在保持原图内容的同时，按指定视角生成后续帧。

与 Wan2.2-I2V-A14B 的结合

本次仓库针对 Wan2.2-I2V-A14B 做了适配，将视频扩散主干与 SCoPE 位置编码改造整合在同一发布包内。仓库内含推理所需的全部组件，因此用户无需再单独获取 Wan2.2-I2V 权重，开箱即用。

资源与体验入口

研究者和开发者可通过以下渠道获取资料或直接试用：

• 论文：arXiv 链接 https://arxiv.org/abs/2606.27345
• 代码：github.com/TencentARC/SCoPE
• 项目页：visual-ai.github.io/scope
• 在线 Demo：Hugging Face Spaces 的 TencentARC/scope-camera-video-generation

对视频生成、可控生成以及 Diffusion Transformer 位置编码方向感兴趣的研究者，可以从论文与代码仓库入手，进一步分析 SCoPE 在相机轨迹精度、与不同视频底座模型兼容性上的边界。