4DStreamCtrl 在流式模式下统一控制相机、物体与深度

arXiv 上发布了 4DStreamCtrl 的研究论文——这是一种交互式视频生成方法，它将相机运动、物体轨迹和深度统一为 3D point-track 的单一表示。作者在预训练的视频扩散模型之上训练了一个 Geometric Motion Head，并将其蒸馏为流式学生模型，该模型只需四步去噪即可生成任意长度的视频，且内存占用与视频长度无关。据作者描述，该方法在单块高端 GPU 上以 20 FPS 的速度生成 480p 视频。作者未公开代码——arXiv。

这意味着什么

对于我们视频生成器板块中的工具而言，这项工作更多是指明了一个方向，而非提供现成工具：没有代码，没有模型权重，无法根据论文复现该方法。 与我们的参数表对比：

• LTX-Video — Lightricks 推出的开源 image-to-video 生成器。参数表中既没有相机控制，也没有物体轨迹控制，更没有流式模式。4DStreamCtrl 解决的是 LTX-Video 完全没有的问题。
• CogVideoX — 智谱 AI 推出的 text-to-video 生成器。参数表中未声明运动控制，也未声明流式生成。与 4DStreamCtrl 没有直接交集。
• Pyramid Flow — 开源的 text-to-video 生成器。参数表中提到了多 GPU 推理和 CPU 卸载，但没有运动控制，也没有任意长度的流式生成。

目前 4DStreamCtrl 仍是一篇没有公开代码的研究论文，对指南中现有工具没有实际影响。如果作者公开实现，那么内存、速度和运动控制质量的对比才有可能进行——目前缺乏相关数据。