运动感知概念对齐，实现一致的视频编辑

我们介绍了MoCA-Video（视频中的运动感知概念对齐），这是一个无需训练的框架，弥合了图像域语义混合与视频之间的鸿沟。给定一个生成的视频和用户提供的参考图像，MoCA-Video将参考图像的语义特征注入到视频中的特定对象中，同时保留了原始运动和视觉背景。我们的方法利用对角去噪调度和类别无关的分割，在潜在空间中检测和跟踪对象，并精确控制混合对象的空间位置。为了确保时间一致性，我们融入了基于动量的语义校正和伽马残余噪声稳定，以实现平滑的帧过渡。我们使用标准的SSIM、图像级LPIPS、时间LPIPS评估MoCA的性能，并引入了一种新的指标CASS（概念对齐偏移分数），用于评估源提示和修改后的视频帧之间视觉偏移的一致性和有效性。使用自建数据集，MoCA-Video超越了当前的基线，尽管没有经过训练或微调，仍实现了卓越的空间一致性、连贯的运动和显著更高的CASS分数。MoCA-Video表明，扩散噪声轨迹中的结构化操作能够实现可控的高质量视频合成。