当前视频生成技术虽已实现影视级画质，但在多镜头序列的自然转场控制上仍是难题。CineTrans模型的出现为此提供了突破性解决方案。它通过创新的块对角掩码机制，首次实现了对视频转场位置的精确控制，并借助高质量数据集Cine250K，让生成的多镜头视频更具电影感与逻辑连贯性。
智能速览
CineTrans是首个实现转场时间可控的多镜头视频生成模型。
核心创新在于块对角掩码机制，能高效实现自动化转场。
团队构建了高质量多镜头数据集Cine250K，包含约25万视频片段。
CineTrans在转场控制得分和镜头一致性上均大幅超越现有基线模型。
该方法兼具逐镜头生成的控制性与端到端生成的一致性。
精华内容
CineTrans的灵感源于对扩散模型注意力机制的深入观测。研究人员发现，模型在处理多镜头视频时，其注意力图谱会呈现出特定的结构，这为实现外部显式控制提供了可能。
注意力机制洞察
CineTrans的起点是对大规模预训练模型中注意力机制的观测。研究发现，在处理多镜头序列时，模型的某些Attention Layer会呈现出清晰的块对角结构，表明模型内部已经隐式地理解了镜头内关联与镜头间关联的差异。量化分析显示，镜头内关联概率显著高于镜头间关联（概率比为26.88，相关性r=0.71），这一发现为设计显式控制方法提供了理论依据。
块对角掩码机制
基于上述观察，CineTrans提出了核心的块对角掩码机制。该方法选择性地在部分Attention Layer中应用掩码，并利用第一帧作为锚点，从而在不破坏模型原有结构和先验知识的前提下，实现了对转场时间的精确控制。这种机制巧妙地平衡了逐镜头生成方法的强控制性与端到端生成方法的高一致性，甚至在不经训练（training-free）的情况下也能展现效果。
Cine250K数据集
为了进一步提升转场效果，团队精心构建并开源了高质量多镜头数据集Cine250K。该数据集通过多阶段处理，最终包含约25万个经过精细标注的视频-文本对，捕捉了人类剪辑序列中的先验知识。Cine250K提供了优秀的镜头标签和层级细节，为模型微调提供了丰富的电影美学与剪辑逻辑，是提升多镜头生成质量的关键。
超越基线性能
在效果评估上，CineTrans的表现远超其他方法。与逐镜头生成方法、大规模预训练模型和定制化LoRA相比，CineTrans在转场控制得分上实现了大幅领先。研究团队还提出了基于JS散度的新指标来衡量镜头间一致性，结果显示，CineTrans生成的视频在一致性分布上最接近真实的人类剪辑作品，展现了贴近专业剪辑习惯的生成能力。
CineTrans通过巧妙利用模型内部的注意力特性，实现了对视频转场的精准控制，成功平衡了一致性与可控性的矛盾。这项开源工作为长视频生成领域提供了坚实的基础，未来AI是否能学习更复杂的剪辑语言，创作出真正具有艺术性的作品，值得期待。
