Wan-Move: Генерация управляемого движением видео с помощью направляющей по латентной траектории

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

December 9, 2025

Авторы: Ruihang Chu, Yefei He, Zhekai Chen, Shiwei Zhang, Xiaogang Xu, Bin Xia, Dingdong Wang, Hongwei Yi, Xihui Liu, Hengshuang Zhao, Yu Liu, Yingya Zhang, Yujiu Yang

cs.AI

Аннотация

Мы представляем Wan-Move — простую и масштабируемую платформу, которая добавляет управление движением в модели генерации видео. Существующие методы управления движением обычно страдают от грубой гранулярности контроля и ограниченной масштабируемости, что делает их результаты непригодными для практического использования. Мы сокращаем этот разрыв, достигая точного и высококачественного управления движением. Наша ключевая идея заключается в том, чтобы напрямую наделить исходные признаковые условия осведомленностью о движении для управления синтезом видео. Для этого мы сначала представляем движения объектов с помощью плотных точечных траекторий, что позволяет осуществлять детализированный контроль над сценой. Затем мы проецируем эти траектории в латентное пространство и распространяем признаки первого кадра вдоль каждой траектории, создавая выровненную пространственно-временную карту признаков, которая указывает, как должен двигаться каждый элемент сцены. Эта карта признаков служит обновленным латентным условием, которое естественным образом интегрируется в готовую модель «изображение-в-видео» (например, Wan-I2V-14B) в качестве управления движением без каких-либо изменений архитектуры. Это устраняет необходимость во вспомогательных кодировщиках движения и позволяет легко масштабировать дообучение базовых моделей. Благодаря масштабированному обучению Wan-Move генерирует 5-секундные видео в разрешении 480p, чья управляемость движением, согласно пользовательским исследованиям, сопоставима с коммерческим инструментом Motion Brush от Kling 1.5 Pro. Для поддержки всесторонней оценки мы дополнительно разработали MoveBench — тщательно подобранный бенчмарк, отличающийся разнообразными категориями контента и гибридно-верифицированными аннотациями. Его отличительными чертами являются больший объем данных, более длительная продолжительность видео и высококачественные аннотации движений. Многочисленные эксперименты на MoveBench и публичном наборе данных последовательно демонстрируют превосходное качество движения Wan-Move. Код, модели и данные бенчмарка находятся в открытом доступе.

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.