WildActor: Unbeschränkte identitätserhaltende Videogenerierung
WildActor: Unconstrained Identity-Preserving Video Generation
February 28, 2026
Autoren: Qin Guo, Tianyu Yang, Xuanhua He, Fei Shen, Yong Zhang, Zhuoliang Kang, Xiaoming Wei, Dan Xu
cs.AI
Zusammenfassung
Die produktionsreife Erzeugung menschlicher Videos erfordert digitale Darsteller, die eine streng konsistente Ganzkörperidentität über dynamische Einstellungen, Kameraperspektiven und Bewegungen hinweg beibehalten – eine Anforderung, die für bestehende Methoden nach wie vor eine Herausforderung darstellt. Bisherige Ansätze neigen oft zu einer gesichtszentrierten Darstellung, die die Konsistenz auf Körperebene vernachlässigt, oder erzeugen Copy-Paste-Artefakte, bei denen die Subjekte aufgrund von Posensperren starr wirken. Wir stellen Actor-18M vor, einen umfangreichen menschlichen Videodatensatz, der entwickelt wurde, um Identitätskonsistenz unter unkontrollierten Blickwinkeln und Umgebungen zu erfassen. Actor-18M umfasst 1,6 Millionen Videos mit 18 Millionen zugehörigen menschlichen Bildern und deckt sowohl beliebige Ansichten als auch kanonische Dreikanalbilder ab. Aufbauend auf Actor-18M schlagen wir WildActor vor, ein Framework für die erzeugung menschlicher Videos, die durch beliebige Blickwinkel konditioniert ist. Wir führen einen asymmetrischen, identitätserhaltenden Aufmerksamkeitsmechanismus ein, gekoppelt mit einer perspektivenadaptiven Monte-Carlo-Sampling-Strategie, die Referenzbedingungen iterativ anhand des Grenznutzens neu gewichtet, um eine ausgewogene Abdeckung der Mannigfaltigkeit zu erreichen. Auswertungen auf dem vorgeschlagenen Actor-Bench zeigen, dass WildActor die Körperidentität unter verschiedenen Einstellungsgrößen, großen Blickwinkelwechseln und erheblichen Bewegungen konsistent bewahrt und dabei bestehende Methoden in diesen anspruchsvollen Szenarien übertrifft.
English
Production-ready human video generation requires digital actors to maintain strictly consistent full-body identities across dynamic shots, viewpoints and motions, a setting that remains challenging for existing methods. Prior methods often suffer from face-centric behavior that neglects body-level consistency, or produce copy-paste artifacts where subjects appear rigid due to pose locking. We present Actor-18M, a large-scale human video dataset designed to capture identity consistency under unconstrained viewpoints and environments. Actor-18M comprises 1.6M videos with 18M corresponding human images, covering both arbitrary views and canonical three-view representations. Leveraging Actor-18M, we propose WildActor, a framework for any-view conditioned human video generation. We introduce an Asymmetric Identity-Preserving Attention mechanism coupled with a Viewpoint-Adaptive Monte Carlo Sampling strategy that iteratively re-weights reference conditions by marginal utility for balanced manifold coverage. Evaluated on the proposed Actor-Bench, WildActor consistently preserves body identity under diverse shot compositions, large viewpoint transitions, and substantial motions, surpassing existing methods in these challenging settings.