人工智能媒体生成深度学习计算机视觉大模型【免费下载链接】Wan-Move[NeurIPS 2025] Wan-Move: Motion-controllable Video Generation via Latent Trajectory Guidance项目地址https://gitcode.com/gh_mirrors/wa/Wan-Move点击查看免费下载Wan-Move是一个 NeurIPS 2025 开源的运动可控视频生成I2V框架通过潜在轨迹引导Latent Trajectory Guidance技术让你用密集点轨迹精准控制画面中每个物体如何运动5 秒 480P 画质可媲美商用系统。本文带你零基础上手这套点级运动控制方案。一句话理解给它一张图片 几条手绘轨迹Wan-Move 就能生成 5 秒视频并让轨迹指向的每个点按你画的路径走。为什么你需要 Wan-Move传统 I2V图生视频只能靠文字提示词大概描述运动你无法精确指定这只手往左移多少像素、以多快的速度。Wan-Move 解决了这个痛点点级运动控制用密集点轨迹表示物体运动实现区域级精准控制零架构改动核心思想是把首帧特征沿轨迹复制传播直接无缝接入现成的 Wan-I2V-14B无需额外运动模块自带 MoveBench 基准1018 个视频、高质量轨迹标注方便客观评测Wan-Move 是基于 Wan2.1 代码库的最小化扩展如果你用过 Wan2.1迁移成本极低。四大核心能力详解能力说明适合场景多物体运动同时控制多个物体各自运动复杂场景编排复杂运动捕捉快速、大幅度动作运动、打斗物体相机运动同时控制主体和镜头运镜视频3D 旋转控制物体三维转动产品展示下方示例展示了从首帧输入到生成 5 秒视频的完整效果等等overview 已用过。换框架图。框架原理潜在轨迹引导如何工作Wan-Move 的核心很巧妙分两步特征复制Latent Feature Replication把首帧的 VAE 特征沿你画的轨迹复制并传播到整个时间轴形成条件特征训练管线原始视频经 VAE 编码加噪后与条件特征拼接送入 DiT 块去噪最终解码出符合轨迹运动的新视频这套机制的关键在于不改架构——轨迹信息完全通过特征注入因此可以即插即用到任何现成 I2V 模型。轨迹处理逻辑集中在 wan/modules/trajectory.py。效果对比与商用方案正面 PK团队用真实案例对比了 Wan-Move 与学术方法LeviTor、商用方案Kling 1.5 Pro的表现。可以看到 Wan-Move 在运动贴合度上更稳定快速上手从安装到生成第一段视频一键安装步骤克隆仓库并安装依赖需torch 2.4.0git clone https://gitcode.com/gh_mirrors/wa/Wan-Move cd Wan-Move pip install -r requirements.txt依赖清单见 requirements.txt完整安装说明参考 INSTALL.md。下载模型权重下载 Wan-Move-14B-480P 模型到本地./Wan-Move-14B-480P目录支持 HuggingFace / ModelScope 两种方式。运行官方示例项目内置了一个开箱即用的示例图片 轨迹 可见性文件python generate.py \ --task wan-move-i2v \ --size 480*832 \ --ckpt_dir ./Wan-Move-14B-480P \ --image examples/example.jpg \ --track examples/example_tracks.npy \ --track_visibility examples/example_visibility.npy \ --prompt A laptop is placed on a wooden table... \ --save_file example.mp4入口脚本为 generate.py14B 模型配置见 wan/configs/wan_move_14B.py。不想写代码用 Gradio 网页交互如果你只想画轨迹→出视频官方提供了本地 Gradio Demo支持多轨迹控制、速度曲线调节、实时预览python gradio_app.py \ --task wan-move-i2v \ --size 480*832 \ --ckpt_dir ./Wan-Move-14B-480P \ --t5_cpu --offload_model True \ --dtype bf16 --port 7860 --share启动后在浏览器上传图片、点击添加轨迹点即可一键生成。Demo 入口见 gradio_app.py。MoveBench官方评测基准Wan-Move 同时发布了MoveBench——一个专为运动控制打造的基准相比 DAVIS、VIPSeg 等它提供轨迹点掩码标注且视频更长、类别更多样单卡即可在 MoveBench 上评测python generate.py --task wan-move-i2v --size 480*832 \ --ckpt_dir ./Wan-Move-14B-480P --mode single --language en \ --save_path results/en --eval_bench显存不足几个实用配置技巧--offload_model True--t5_cpu降低显存占用单卡 40GB 即可跑 14B加--t5_cpu --offload_model True --dtype bf16多卡批量评测用 FSDP加--dit_fsdp --t5_fsdp并设--ulysses_size 1可视化轨迹效果加--vis_track或用独立脚本 scripts/visualize.py总结Wan-Move 把运动可控视频生成从文字描述推进到了点级轨迹精准控制且几乎零架构改动即可接入现有 I2V 模型配套 MoveBench 让效果可量化。无论你是想精控画面的创作者还是研究运动可控生成的研究者这套 NeurIPS 2025 方案都值得一试。核心要点回顾✅ 5 秒 480P 点级运动控制效果对标商用✅ 潜在轨迹引导无缝接入 Wan-I2V-14B✅ 40GB 单卡可跑Gradio 交互开箱即用 /输出文章我注意到文章中有一处笔误overview.png 被误用第二次且有一行残留说明文字。让我修正——overview.png 只能出现一次。我将移除重复的那张总览图和残留文字。输出文章Wan-Move是什么NeurIPS 2025运动可控视频生成框架完整指南让I2V精准控制每个点Wan-Move是一个 NeurIPS 2025 开源的运动可控视频生成I2V框架通过潜在轨迹引导Latent Trajectory Guidance技术让你用密集点轨迹精准控制画面中每个物体如何运动5 秒 480P 画质可媲美商用系统。本文带你零基础上手这套点级运动控制方案。一句话理解给它一张图片 几条手绘轨迹Wan-Move 就能生成 5 秒视频并让轨迹指向的每个点按你画的路径走。为什么你需要 Wan-Move传统 I2V图生视频只能靠文字提示词大概描述运动你无法精确指定这只手往左移多少像素、以多快的速度。Wan-Move 解决了这个痛点点级运动控制用密集点轨迹表示物体运动实现区域级精准控制零架构改动核心思想是把首帧特征沿轨迹复制传播直接无缝接入现成的 Wan-I2V-14B无需额外运动模块自带 MoveBench 基准1018 个视频、高质量轨迹标注方便客观评测Wan-Move 是基于 Wan2.1 代码库的最小化扩展如果你用过 Wan2.1迁移成本极低。四大核心能力详解能力说明适合场景多物体运动同时控制多个物体各自运动复杂场景编排复杂运动捕捉快速、大幅度动作运动、打斗物体相机运动同时控制主体和镜头运镜视频3D 旋转控制物体三维转动产品展示框架原理潜在轨迹引导如何工作Wan-Move 的核心很巧妙分两步特征复制Latent Feature Replication把首帧的 VAE 特征沿你画的轨迹复制并传播到整个时间轴形成条件特征训练管线原始视频经 VAE 编码加噪后与条件特征拼接送入 DiT 块去噪最终解码出符合轨迹运动的新视频这套机制的关键在于不改架构——轨迹信息完全通过特征注入因此可以即插即用到任何现成 I2V 模型。轨迹处理逻辑集中在 wan/modules/trajectory.py主推理逻辑见 wan/wan_move.py。效果对比与商用方案正面 PK团队用真实案例对比了 Wan-Move 与学术方法LeviTor、商用方案Kling 1.5 Pro的表现Wan-Move 在运动贴合度上更稳定快速上手从安装到生成第一段视频一键安装步骤克隆仓库并安装依赖需torch 2.4.0git clone https://gitcode.com/gh_mirrors/wa/Wan-Move cd Wan-Move pip install -r requirements.txt依赖清单见 requirements.txt完整安装说明参考 INSTALL.md。下载模型权重下载 Wan-Move-14B-480P 模型到本地./Wan-Move-14B-480P目录支持 HuggingFace / ModelScope 两种方式。运行官方示例项目内置了一个开箱即用的示例图片 轨迹 可见性文件python generate.py \ --task wan-move-i2v \ --size 480*832 \ --ckpt_dir ./Wan-Move-14B-480P \ --image examples/example.jpg \ --track examples/example_tracks.npy \ --track_visibility examples/example_visibility.npy \ --prompt A laptop is placed on a wooden table... \ --save_file example.mp4入口脚本为 generate.py14B 模型配置见 wan/configs/wan_move_14B.py。不想写代码用 Gradio 网页交互如果你只想画轨迹→出视频官方提供了本地 Gradio Demo支持多轨迹控制、速度曲线调节、实时预览python gradio_app.py \ --task wan-move-i2v \ --size 480*832 \ --ckpt_dir ./Wan-Move-14B-480P \ --t5_cpu --offload_model True \ --dtype bf16 --port 7860 --share启动后在浏览器上传图片、点击添加轨迹点即可一键生成。Demo 入口见 gradio_app.py。MoveBench官方评测基准Wan-Move 同时发布了MoveBench——一个专为运动控制打造的基准相比 DAVIS、VIPSeg 等它提供轨迹点掩码标注且视频更长、类别更多样单卡即可在 MoveBench 上评测python generate.py --task wan-move-i2v --size 480*832 \ --ckpt_dir ./Wan-Move-14B-480P --mode single --language en \ --save_path results/en --eval_bench显存不足几个实用配置技巧--offload_model True--t5_cpu降低显存占用单卡 40GB 即可跑 14B加--t5_cpu --offload_model True --dtype bf16多卡批量评测用 FSDP加--dit_fsdp --t5_fsdp并设--ulysses_size 1可视化轨迹效果加--vis_track或用独立脚本 scripts/visualize.py总结Wan-Move 把运动可控视频生成从文字描述推进到了点级轨迹精准控制且几乎零架构改动即可接入现有 I2V 模型配套 MoveBench 让效果可量化。无论你是想精控画面的创作者还是研究运动可控生成的研究者这套 NeurIPS 2025 方案都值得一试。核心要点回顾✅ 5 秒 480P 点级运动控制效果对标商用✅ 潜在轨迹引导无缝接入 Wan-I2V-14B✅ 40GB 单卡可跑Gradio 交互开箱即用赞分享人工智能媒体生成深度学习计算机视觉大模型【免费下载链接】Wan-Move[NeurIPS 2025] Wan-Move: Motion-controllable Video Generation via Latent Trajectory Guidance项目地址https://gitcode.com/gh_mirrors/wa/Wan-Move点击查看免费下载相关推荐Wan 2.2首尾帧生成视频FLF2V精准控制视频两端实现电影级转场Wan 2.2首尾帧生成视频FLF2V精准控制视频两端实现电影级转场 Wan 2.2 首尾帧生成视频FLF2VFirst Last Frame to V人工智能媒体生成多模态计算机视觉OBS插件源录制完全指南精准控制每个视频源的独立录制OBS插件源录制完全指南精准控制每个视频源的独立录制 在视频制作和直播领域精准控制录制内容已经成为专业工作者的基本需求。OBS源录制插件通过创新的滤镜技术音视频JailbreakBench是什么LLM越狱鲁棒性基准的完整入门指南NeurIPS 2024JailbreakBench是什么LLM越狱鲁棒性基准的完整入门指南NeurIPS 2024 JailbreakBench 是一个开源的大语言模型LLM上一篇BepInEx Unity 插件加载失败排查指南从兼容判断到上手验证下一篇WebPShop 插件快速上手Photoshop 导出 WebP 与制作动画的完整教程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
