BulletTime : Contrôle Découplé du Temps et de la Pose de Caméra pour la Génération de Vidéo
BulletTime: Decoupled Control of Time and Camera Pose for Video Generation
December 4, 2025
papers.authors: Yiming Wang, Qihang Zhang, Shengqu Cai, Tong Wu, Jan Ackermann, Zhengfei Kuang, Yang Zheng, Frano Rajič, Siyu Tang, Gordon Wetzstein
cs.AI
papers.abstract
Les modèles émergents de diffusion vidéo atteignent une haute fidélité visuelle mais couplent fondamentalement la dynamique scénique avec le mouvement de la caméra, limitant leur capacité à offrir un contrôle spatial et temporel précis. Nous présentons un cadre de diffusion vidéo contrôlable en 4D qui découple explicitement la dynamique scénique de la pose de la caméra, permettant une manipulation fine à la fois de la dynamique scénique et du point de vue caméra. Notre framework prend comme entrées de conditionnement des séquences continues en temps-monde et des trajectoires caméra, en les injectant dans le modèle de diffusion vidéo via un encodage positionnel 4D dans la couche d'attention et des normalisations adaptatives pour la modulation des caractéristiques. Pour entraîner ce modèle, nous avons constitué un jeu de données unique où les variations temporelles et caméra sont paramétrées indépendamment ; ce jeu de données sera rendu public. Les expériences montrent que notre modèle atteint un contrôle 4D robuste en conditions réelles sur divers motifs temporels et trajectoires caméra, tout en préservant une haute qualité de génération et en surpassant les travaux antérieurs en matière de contrôlabilité. Consultez notre site web pour les résultats vidéo : https://19reborn.github.io/Bullet4D/
English
Emerging video diffusion models achieve high visual fidelity but fundamentally couple scene dynamics with camera motion, limiting their ability to provide precise spatial and temporal control. We introduce a 4D-controllable video diffusion framework that explicitly decouples scene dynamics from camera pose, enabling fine-grained manipulation of both scene dynamics and camera viewpoint. Our framework takes continuous world-time sequences and camera trajectories as conditioning inputs, injecting them into the video diffusion model through a 4D positional encoding in the attention layer and adaptive normalizations for feature modulation. To train this model, we curate a unique dataset in which temporal and camera variations are independently parameterized; this dataset will be made public. Experiments show that our model achieves robust real-world 4D control across diverse timing patterns and camera trajectories, while preserving high generation quality and outperforming prior work in controllability. See our website for video results: https://19reborn.github.io/Bullet4D/