[CVPR 2026] SPATIALALIGN：让视频模型学会“空间位移”，突破 DSR 生成瓶颈

TL;DR

尽管当前的视频生成模型（T2V）如 Wan2.1 或 Sora 已经能生成大片级的视觉效果，但在处理“从左移动到顶部”这种简单的**动态空间关系（Dynamic Spatial Relationships, DSR）**时，往往表现得像个“空间感缺失”的初学者。本文提出的 SPATIALALIGN 框架，通过一套基于几何计算的评分系统 DSR-SCORE 结合零阶正则化 DPO 微调，成功让视频模型学会了理解并执行复杂的空间动作指令。

技术定位：这是一款针对视频生成模型指令遵循能力的“逻辑补丁”，是提升生成视频物理真实性的 SOTA 之作。

痛点深挖：为什么 AI 视频总是“左右不分”？

目前的 T2V 模型在处理静态空间（如“一只猫在桌子上”）时尚可，但一旦涉及到运动（Dynamic），就会出现以下痛点：

1. 语义误解：模型往往只抓住了“狐狸”和“树墩”两个实体，却忽略了“从右到左”的动作约束。
2. 评估荒漠：之前的研究依赖 GPT-4V 等 VLM 来判断生成视频是否正确，但 VLM 本身在空间感知上就表现欠佳，经常给错误的视频打高分。
3. 微调陷阱：直接用 SFT（有监督微调）训练，模型容易为了凑分而产生色彩过饱和（Saturation Hacking）或直接崩坏。

核心方法论：DSR-SCORE 与零阶 DPO

1. 几何落地的 DSR-SCORE

作者摒弃了不靠谱的 VLM 评估，回归物理本质，利用几何计算来衡量空间关系：

• 目标提取：使用 Grounded-SAM 获取每一帧中动物和物体的 Bounding Box。
• SSR 计算：定义每一帧的静态空间得分（SSR-Score），包含距离（Normalized Distance）和方向（Cosine Distance）。
• 动态曲线分析：理想的 DSR 视频应该在 SSR 得分曲线上表现出“交叉模式”。例如，“左移到右”意味着“左侧得分”逐渐下降，而“右侧得分”逐渐上升。

图注：SPATIALALIGN 完整流程。左侧生成样本，中间进行几何评分，右侧执行基于偏好的优化。

2. 零阶正则化 DPO (Zeroth-Order DPO)

如何在不破坏预训练模型审美能力的前提下，注入空间逻辑？作者采用了 DPO 偏好对齐，并加入了一个关键的 **LZO（零阶正则化）**项：

• 为什么要正则化？ 纯 DPO 容易为了满足偏好差距而让模型“走捷径”，导致生成画质劣化。
• LZO 的作用：将参考模型作为锚点（Anchor），约束微调后的模型不要偏离原始分布太远。计算公式通过梯度推导证明，LZO 能有效保留模型的“共同背景”理解能力。

实验结果：空间感的大幅跃迁分析

在自建的 DSR-DATASET 上的评测显示，SPATIALALIGN 的表现令人惊艳：

核心观察：

• 逻辑翻倍：在 1.3B 的小模型上，我们的方法直接将空间准确率翻了近 5 倍，甚至超越了参数量更大的 8B 模型。
• 结构化理解：消融实验证明，即便改变提示词（Prompt）的结构（如从“then...”改为“from... to...”），微调后的模型依然能保持高性能，说明它确实理解了空间语义。

图注：定性结果对比。可以看到 baseline 模型往往将动物生成在固定位置，而 SPATIALALIGN 准确实现了跨越式的位移。

深度总结与展望

Takeaway： SPATIALALIGN 的成功在于它意识到：高级语义对齐不应仅依赖神经网络的黑盒感知（VLM），而应引入明确的物理规律（几何规则）作为信号。

局限性： 目前该方法主要针对单动物、单静态物体的简单交互。但在实际场景中，多物体交互、动态背景下的空间关系仍极具挑战。此外，DSR-SCORE 严重依赖于 Grounded-SAM 的追踪质量，在极端遮挡或模糊下可能失效。

未来启示： 这为“具身智能”的模拟环境提供了新思路。如果 T2V 模型能精准遵循空间指令，它就能成为机器人训练中最完美的“物理模拟器”。