Eulerian Motion Guidance：突破图像动画的长程稳定性瓶颈

TL;DR

在图像动画领域，如何让静态图“动”起来且不失真是一个难题。本文提出了 Eulerian Motion Guidance (EMG)，通过将运动控制从“长程追踪”改进为“相邻步进”，并引入 双向几何一致性 (BGC) 掩码，成功解决了长视频生成中的纹理漂移和身份退化问题，在多项 SOTA 评估中表现优异。

背景定位：坐标系的降维打击

传统的图像动画框架（如 DragNUWA, MOFA）通常采用 Lagrangian (拉格朗日) 范式。想象你在追踪一个运动的点，拉格朗日视角是盯着初始帧的那个像素，看它 100 帧后跑到了哪里。

痛点在于：

• 误差累积：随着时间推移，位移量变大，光流估计的噪声呈 $\sqrt{t}$ 增长。
• 遮挡困境：当物体转动，初始帧的像素被遮挡后，模型就失去了“参考锚点”，只能开始瞎猜（Hallucinate），导致伪影。

本文则回归经典物理中的 Eulerian (欧拉) 视角：不关注特定的像素点，而是关注空间中固定位置的运动通量（Flux）。每一帧只关心它和前一帧的微小位移。

核心方法论：欧拉场与几何校验

1. 从累积误差到有界误差

作者通过数学证明（Theorem 1 & 2）展示了：拉格朗日引导的误差随时间发散，而欧拉引导由于只处理极短时间跨度的相邻帧，其监督误差是**一致有界（Uniformly Bounded）**的。这保证了模型即便在生成第 100 帧时，接收到的控制信号依然精准。

2. 双向几何一致性 (BGC)

虽然欧拉场解决了局部精度，但由于是自回归生成的，微小的漂移仍可能汇聚成大错误。为此，作者设计了一个能量最小化方案：

• 循环校验：计算从 $tot+1$ 再回到 $t$ 的位移。如果不能回到原位，说明该区域发生了遮挡（Occlusion）或光流失效。
• 动态掩码：利用循环能量（Cycle Energy）生成二值掩码 $M_{occ}$，在训练中直接切断遮挡区域的梯度，防止模型学习到碎裂的纹理。

图 1：EMG 框架拓扑。通过 Sparse-to-Dense 模块预测欧拉场，并结合双向循环校验进行优化。

3. 并行化训练策略

为了解决欧拉视角下 $O(T)$ 的串行依赖，作者利用训练视频的非因果性（Non-causal Availability），将时间维度展开到 Batch 维度，实现 $O(1)$ 的并行光流计算，大幅提升了训练效率。

实验战绩与视觉证据

在 Trajectory-based 任务中，EMG 的 FID 指标达到了 11.45，显著优于 ImageConductor (12.98)。更关键的是，在长程稳定性测试（$T=100$）中，EMG 的优势极为显著。

图 2：对比分析。在第 100 帧时，Lagrangian 基线（如 MOFA）已经出现了明显的纹理模糊和身份塌缩，而 EMG 依然保持了锐利的物体边界。

在人像动画测试中，EMG 对于口腔内部（如牙齿）等频繁发生遮挡/显现的区域，处理得远比 FactorPortrait 细腻。

图 3：嘴部细节保留。EMG 有效防止了由于扭曲监督错误导致的牙齿“溶解”现象。

深度洞察与总结

Takeaway： Eulerian Motion Guidance 的成功本质上是对 Inductive Bias (归纳偏置) 的成功修正。它将模型的注意力从“我要记住第一帧长什么样”转移到了“我要确信这一帧相对于前一帧移动得合理”。

局限性： 虽然在几何一致性上表现卓越，但在极长序列（如 200 帧以上）且缺乏全局重新锚定的情况下，可能会出现极轻微的颜色漂移（Color Drift）。未来或许可以引入定期的“关键帧锚定”来进一步增强鲁棒性。

启示： 对于视听生成或多模态任务，这种将全局任务分解为局部保真运动的思想，可能比单纯堆叠 Attention 更加高效。