TL;DR

在生成类似清明上河图那样的超长卷轴或 360° 全景图时，传统的 AI 绘图模型经常会“复读”——在屏幕上画出无数个重复的树木或行人。ScrollScape 另辟蹊径，将静态长图生成看作一段视频平移扫描过程。它巧妙地借用了视频模型自带的“时间连贯性”来平衡长图的空间一致性，成功解锁了 32K 分辨率下的极端比例（EAR）图像生成。

痛点深挖：为什么 AI 画不好“长卷”？

目前的扩散模型（如 Stable Diffusion 或 FLUX）大多是在正方形或常规比例的图像上训练的。当你强行让它们生成 8:1 甚至更夸张的比例时，模型会陷入两种困境：

1. 空间碎片化：模型视野太小，画了左边忘了右边，导致整幅图看起来像是由不相关的碎片拼凑而成的。
2. 物体重复（Object Repetition）：由于位置编码（Positional Encoding）在长距离下失效，模型会不断在新的位置重复之前画过的内容。

以往的“平铺式”（Tiling）方法试图通过重叠块来修补，但缺乏全局观，依然无法生成具有叙事逻辑的长篇宏作。

核心机制：从“拍照”到“运镜”

ScrollScape 的核心直觉是：空间上的位移等同于时间上的演进。

1. 扫描位置编码 (ScanPE)

在标准的视频模型中，每一帧共享相同的空间坐标。ScrollScape 引入了 ScanPE，它像给摄像机装上了滑轨。通过将全局坐标分布到连续的视频帧中，模型不再是原地踏步，而是变成了一个移动摄像机。

• 线性模式：支持单向长卷生成。
• 蛇形融合模式：甚至可以处理更复杂的画布布局。

图 1：ScrollScape 将长比例图像任务转化为视频平移任务的逻辑示意图

2. 滚动超分辨率 (ScrollSR) 与 TAP

要在单张显卡上跑出 32K 分辨率，显存溢出是必然的。ScrollScape 采用 ScrollSR 模块，利用视频超分辨率（VSR）先验，在潜空间（Latent Space）内逐帧提速细化，配合轨迹锚定分区（TAP）策略，确保了 3D VAE 在解码时不产生接缝或闪烁。

实验战绩：不仅仅是画得大

作者在包含自然景观和中国传统水墨画的 3,000 张高质量数据上进行了微调。实验结果令人惊艳：

图 2：消融实验对比。顶部可见原生模型严重的重复现象，而 ScrollScape (d) 实现了逻辑连贯、细节丰富的无缝长图。

• 多样性压制：通过 GSD 指标测试，ScrollScape 彻底解决了语义循环（Semantic Looping）问题。
• 质量跨越：在 32K 分辨率下，无论是汽车表面的纹理还是远山的层峦叠嶂，都保持了极高的视觉忠实度（FID 提升显著）。

深度洞察：视频先验是空间预测的终极形态吗？

ScrollScape 的成功给研究界带来了一个重要的启发：视频模型学到的物理规律比图像模型更深刻。视频模型为了保证物体不无故消失或形变，必须理解物体的 3D 结构和运动轨迹。这种“时间一致性”本质上是一种极其强大的正则化约束。

将其应用在超高分辨率图像生成上，实际上是利用了视频模型对“世界连续性”的理解来修补图像模型在超长序列下的“短期记忆丧失”。

总结与展望

ScrollScape 不仅是一个生成工具，它验证了通过重新设计位置编码和任务形式，可以跨模态迁移预训练模型的先验知识。

• 局限性：目前主要针对水平或垂直的单向扫描，对于更复杂的非线性构图（如 L 型或环形画布）仍需进一步探索。
• 未来潜力：这种“移动摄像机”的思路未来可以结合多模态指令，实现真正交互式的数字画卷创作。

学术定位：本项目基于 Wan2.1 视频基准模型构建，是目前生成 EAR 图像分辨率最高（32K）且结构连贯性最强的 SOTA 工作之一。