Wan-Move: Geração de Vídeo Controlável por Movimento via Orientação de Trajetória Latente

Resumo

Apresentamos o Wan-Move, uma estrutura simples e escalável que introduz controlo de movimento em modelos generativos de vídeo. Os métodos existentes com capacidade de controlo de movimento sofrem tipicamente de granularidade de controlo grosseira e escalabilidade limitada, tornando as suas saídas insuficientes para uso prático. Nós reduzimos esta lacuna ao alcançar um controlo de movimento preciso e de alta qualidade. A nossa ideia central é tornar diretamente as características condicionais originais conscientes do movimento para orientar a síntese de vídeo. Para isso, primeiro representamos os movimentos dos objetos com trajetórias de pontos densas, permitindo um controlo de granularidade fina sobre a cena. De seguida, projetamos estas trajetórias no espaço latente e propagamos as características do primeiro frame ao longo de cada trajetória, produzindo um mapa de características espaço-temporais alinhado que indica como cada elemento da cena deve mover-se. Este mapa de características serve como condição latente atualizada, que é integrada naturalmente no modelo imagem-para-vídeo existente, por exemplo, o Wan-I2V-14B, como orientação de movimento sem qualquer alteração de arquitetura. Isto elimina a necessidade de codificadores de movimento auxiliares e torna o *fine-tuning* de modelos base facilmente escalável. Através de treino em escala, o Wan-Move gera vídeos de 5 segundos e 480p cuja capacidade de controlo de movimento rivaliza com a ferramenta comercial Motion Brush do Kling 1.5 Pro, conforme indicado por estudos de utilizador. Para apoiar uma avaliação abrangente, concebemos ainda o MoveBench, um *benchmark* rigorosamente curado que apresenta categorias de conteúdo diversificadas e anotações híbridas verificadas. Distingue-se pelo maior volume de dados, durações de vídeo mais longas e anotações de movimento de alta qualidade. Experiências extensivas no MoveBench e num conjunto de dados público mostram consistentemente a qualidade superior de movimento do Wan-Move. O código, modelos e dados do *benchmark* são disponibilizados publicamente.

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: Geração de Vídeo Controlável por Movimento via Orientação de Trajetória Latente

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

Resumo

Support