Wan-Move: 潜在軌道ガイダンスによるモーション制御可能な映像生成

要旨

我々は、映像生成モデルにモーション制御機能をもたらす、シンプルでスケーラブルなフレームワーク「Wan-Move」を提案する。既存のモーション制御手法は、制御粒度が粗くスケーラビリティに限界があるため、実用に耐える出力品質が得られていない。本手法は、精密かつ高品質なモーション制御を実現することでこの課題を解決する。中核となるアイデアは、元の条件付け特徴量を直接的にモーション認識可能にし、映像合成を誘導することである。このためまず、密な点軌跡で物体の動きを表現し、シーンに対するきめ細かい制御を可能にする。次にこれらの軌跡を潜在空間に投影し、各軌跡に沿って最初のフレームの特徴量を伝播させることで、各シーン要素がどのように動くべきかを指示する整列時空間特徴マップを生成する。この特徴マップは更新された潜在条件として機能し、Wan-I2V-14Bのような既存の画像対映像モデルにアーキテクチャ変更なしで自然に統合され、モーションガイダンスとして働く。補助的なモーションエンコーダが不要となり、ベースモデルのファインチューニングが容易にスケール可能となる。スケーリング学習を通じて、Wan-Moveは5秒間の480p映像を生成し、ユーザスタディで示されたように、そのモーション制御性はKling 1.5 Proの商用機能「Motion Brush」に匹敵する。包括的評価を支援するため、多様なコンテンツカテゴリと厳密に検証された注釈を備えたベンチマーク「MoveBench」を設計した。これはより大規模なデータ量、より長い映像持続時間、高品質なモーション注釈によって特徴づけられる。MoveBenchと公開データセットを用いた広範な実験により、Wan-Moveの優れたモーション品質が一貫して実証された。コード、モデル、ベンチマークデータは公開されている。

English

We present Wan-Move, a simple and scalable framework that brings motion control to video generative models. Existing motion-controllable methods typically suffer from coarse control granularity and limited scalability, leaving their outputs insufficient for practical use. We narrow this gap by achieving precise and high-quality motion control. Our core idea is to directly make the original condition features motion-aware for guiding video synthesis. To this end, we first represent object motions with dense point trajectories, allowing fine-grained control over the scene. We then project these trajectories into latent space and propagate the first frame's features along each trajectory, producing an aligned spatiotemporal feature map that tells how each scene element should move. This feature map serves as the updated latent condition, which is naturally integrated into the off-the-shelf image-to-video model, e.g., Wan-I2V-14B, as motion guidance without any architecture change. It removes the need for auxiliary motion encoders and makes fine-tuning base models easily scalable. Through scaled training, Wan-Move generates 5-second, 480p videos whose motion controllability rivals Kling 1.5 Pro's commercial Motion Brush, as indicated by user studies. To support comprehensive evaluation, we further design MoveBench, a rigorously curated benchmark featuring diverse content categories and hybrid-verified annotations. It is distinguished by larger data volume, longer video durations, and high-quality motion annotations. Extensive experiments on MoveBench and the public dataset consistently show Wan-Move's superior motion quality. Code, models, and benchmark data are made publicly available.

Wan-Move: 潜在軌道ガイダンスによるモーション制御可能な映像生成

Wan-Move: Motion-controllable Video Generation via Latent Trajectory Guidance

要旨

Support