TL;DR

生成可控视频不仅要让物体“动起来”，还要动得“对”。NVIDIA 团队提出的 MoRight 突破了传统视频生成模型对相机与物体运动的模糊处理，通过双流架构实现视角解耦，并引入运动因果建模。用户只需在首帧画出简单的线条，模型就能预测出复杂的物理反馈（如：拨动琴弦，琴弦振动），目前已在多项 SOTA 任务中取得领先。

1. 痛点：为什么当前的视频生成“不听话”？

在现有的 Trajectory-based 方法（如 DragAnything, WanMove）中，我们常遇到两个令人头疼的问题：

1. 视角与位移的纠缠：如果你想让相机绕着跑车转，同时让跑车向前开，在像素平面上这两者的轨迹是杂乱交织的。模型很难在没有显式几何信息的情况下处理这种复合运动。
2. 物理逻辑缺失：大多数模型只是简单的“像素搬运工”。当你拖动一只手去撞击球，模型可能只会平移球的像素，而不会表现出球受力后的滚动、反弹或碰撞。

2. 核心机制：双流架构与运动迁移

MoRight 的核心直觉是：物体运动在“规范视角”（静态相机）下是最纯粹的。

2.1 规范空间锚点 (Canonical Anchor)

模型采用双流设计：

• 规范流 (Canonical Stream)：负责在固定的静态视角下生成物体的纯动态。
• 目标流 (Target Stream)：负责根据用户指定的相机参数（旋转、缩放）生成最终视频。

这两个流共享 DiT 权重，通过 时间跨视图注意力 (Temporal Cross-view Attention) 进行交互。规范流就像一个“虚拟锚点”，它先锚定物理运动，再通过注意力机制将这些运动特征“投影”到变化的目标流视角中。

3. 进化：从运动学到位移因果 (Motion Causality)

MoRight 不满足于简单的轨迹跟随，它引入了 Active（主动） 与 Passive（被动） 运动的分解。

• 主动运动：用户的操作（如手拉开抽屉）。
• 被动运动：操作引发的后果（如抽屉里的物品随之震动）。

在训练阶段，模型通过 Motion Dropout 策略，随机丢弃主动或被动的轨迹输入，强制模型根据残余信息补全整个物理过程。

前向与逆向推理

这赋予了 MoRight 两种神奇的能力：

• 前向推理 (Forward)：画出手部的推力轨迹，模型自动补全杯子被打碎的过程。
• 逆向推理 (Inverse)：画出球滚动的轨迹，模型自动生成“谁在踢这个球”。

4. 实验战绩：全方位的压制

在 DynPose-100K 这种相机运动剧烈的场景下，MoRight 依然保持了极高的运动准确度。在专门测试物理常识的 WISA 基准上，其 PC 评分显著超过了之前的强力基准 ATI 和 WanMove。

| Method | Dataset | PSNR ↑ | EPE (Motion) ↓ | Physical Scores ↑ | | :--- | :--- | :--- | :--- | :--- | | WanMove | Cooking | 16.42 | 5.47 | 0.84 | | MoRight (Ours) | Cooking | 16.44 | 4.27 | 0.88 |

5. 深度洞察与总结

MoRight 的成功标志着视频合成正在从“视觉仿真”向“物理仿真”进化。它不需要昂贵的 3D 软件渲染或复杂的物理引擎接入，而是通过精妙的数据增强（如生成成对的动/静相机视频）和架构设计，让模型潜移默化地学到了世界的运作规律。

局限性：尽管表现优异，但在处理极端快速或复杂的相机运动（如第一人称跑酷视角）时，解耦依然存在失效风险。此外，偶发性的幻觉（多出一只手）仍是扩散模型的通病。

对于未来的具身智能系统，MoRight 提供了一个极其高效的“想象力模块”，帮助 AI 预测其行为在物理世界中可能产生的后果。