技术框架与核心创新 - 香港大学和快手可灵研究团队提出全新框架"上下文即记忆"（Context-as-Memory），通过将完整历史上下文帧作为记忆并利用记忆检索机制优化长视频生成的场景一致性 [8][10] - 框架核心思想包括：依赖长期历史记忆保持场景一致性、通过记忆检索模块智能筛选有用历史信息、将筛选后的上下文帧拼接至输入中指导新帧生成 [15][17][19] - 采用基于摄像机轨迹搜索的帧选取方法，通过计算视场重叠度选择高重叠上下文帧，在保证计算效率的同时维持一致性 [20][22] 实验设计与性能表现 - 在相同基础模型和训练配置下，Context-as-Memory方法在PSNR（20.22）、LPIPS（0.3003）、FID（107.18）和FVD（821.37）指标上均优于基线方法，显示其显著优越的记忆能力和生成质量 [25] - 对比方法包括：单帧上下文（PSNR 15.72）、多帧随机上下文（PSNR 17.70）、DFoT（PSNR 17.63）及FramePack（PSNR 17.20） [25][29] - 使用Unreal Engine 5构建包含100个视频、12种场景风格的数据集，每个视频由7601帧组成并附带摄像机位姿标注，简化位姿处理至二维平面移动和旋转 [22][23] 应用案例与泛化能力 - 方法成功应用于《塞尔达传说》绿色田野、《黑神话悟空》废弃寺庙及《原神》云堇角色模型等游戏场景，在镜头晃动时保持场景元素完全稳定 [1][3][5][7] - 在开放域测试中，使用互联网不同风格图像作为首帧并采用"旋转远离再返回"轨迹，验证了方法在开放场景中的强大记忆泛化能力 [26][27] 研究背景与团队构成 - 论文由香港大学、浙江大学和快手可灵团队联合完成，第一作者为香港大学博士生余济闻，师从刘希慧教授并在快手可灵担任研究实习生 [28][32] - 研究是作者在交互式视频生成、世界模型和具身人工智能方向的延续，其前期成果GameFactory曾入选ICCV 2025 Highlight [33]