/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Wan2.2-I2V-A14B
Библиотека
pytorch
Опубликована
12 авг 2026

SCoPE

Видео из изображенияИзображение, текст → видео

SCoPE — дообученная на Wan2.2-I2V-A14B модель, которая создаёт видео из исходного кадра и текстового запроса с управлением траекторией камеры.

0скачиваний за 30 дней21лайквеса обновлены23 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SCoPE — модель генерации видео, разработанная Minghao Yin, Jiahao Lu, Wenbo Hu, Wang Zhao, Ying Shan и Kai Han. Она добавляет координаты направлений обзора камеры в позиционное кодирование предобученного диффузионного трансформера для видео и дообучена на Wan2.2-I2V-A14B.

Модель принимает исходный первый кадр, текстовый запрос и траекторию камеры и создаёт видео, следующее заданному движению камеры, сохраняя возможности исходной модели image-to-video. Она предназначена для исследований генерации видео и управляемого движения камеры. Репозиторий содержит веса для инференса; отдельная загрузка Wan2.2 не требуется. Чекпойнт занимает около 67 ГБ.

SCoPE обучена на RealEstate10K, DL3DV, PanShot и OmniWorld. Результаты могут ухудшаться при неточных параметрах камеры, траекториях вне обучающего распределения, крупных перекрытиях и очень быстром движении камеры. Модель распространяется по лицензии Apache-2.0; ограничения и смещения визуальных возможностей унаследованы от Wan2.2.

Сценарии применения

  • создание видео с заданной траекторией движения камеры
  • анимация изображения с управляемым панорамированием и перемещением камеры
  • исследования управляемой генерации видео из изображения
  • создание видеосцен по начальному кадру, запросу и параметрам камеры

Ограничения

Качество может снижаться при неточных параметрах камеры, траекториях вне обучающего распределения, крупных перекрытиях и очень быстром движении камеры. Модель наследует смещения и ограничения Wan2.2 и требует значительных вычислительных ресурсов; чекпойнт занимает около 67 ГБ.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SCoPE: Sightline-Coordinate Positional Encoding for Video Diffusion Transformers

Minghao Yin · Jiahao Lu · Wenbo Hu · Wang Zhao · Ying Shan · Kai Han

Project Page arXiv GitHub Demo License

SCoPE teaser

SCoPE adds camera sightlines as positional coordinates to a pretrained video diffusion transformer. Given a first frame, a text prompt, and a camera trajectory, it generates a video that follows the requested camera motion while preserving the original image-to-video prior. This repository is a self-contained release for Wan2.2-I2V-A14B: it contains everything required for inference, so a separate Wan2.2 checkpoint download is not needed.

🚀 Try It Online

Try SCoPE in your browser — no setup required: 🤗 Live Demo (Hugging Face Space)

Download

pip install -U huggingface_hub
hf download TencentARC/SCoPE --local-dir checkpoints/SCoPE

The checkpoint is approximately 67 GB. Keep both the checkpoint and the Hugging Face cache on local storage.

Usage

Install the SCoPE code. The released weights were trained and evaluated with PyTorch 2.9.1 (CUDA 12.8); because changing the PyTorch version can change the numerical output, we recommend reproducing this exact environment with uv:

git clone https://github.com/TencentARC/SCoPE.git
cd SCoPE
uv sync
source .venv/bin/activate

Generate a video with an example camera trajectory:

python inference.py \
  --model_path checkpoints/SCoPE \
  --case omni-misty-forest \
  --trajectory truck_right \
  --output_path outputs/omni-misty-forest.mp4

For custom inputs:

python inference.py \
  --model_path checkpoints/SCoPE \
  --input_image path/to/first_frame.png \
  --prompt "A person walks along a misty forest trail." \
  --camera_path path/to/camera_poses.npy \
  --x_fov 1.11847 \
  --output_path outputs/custom.mp4

Camera poses use OpenCV camera-to-world coordinates and must have shape [81, 3, 4] or [81, 4, 4]. x_fov is the horizontal field of view in radians; pinhole cameras use xi=0. See the GitHub repository for the full documentation, options, and demos.

Training data

SCoPE is trained with RealEstate10K, DL3DV, PanShot, and OmniWorld. The datasets use a common camera protocol: poses are expressed relative to the first camera and translation is normalized with per-clip near depth, while absolute scale is handled inside the model by a learned scale gate. Users are responsible for following the licenses and terms of the corresponding datasets.

Intended use and limitations

This model is intended for research on image-to-video generation and controllable camera motion. It inherits the visual capabilities, biases, safety limitations, and computational requirements of Wan2.2. Results may degrade for inaccurate camera poses or intrinsics, trajectories far outside the training distribution, large occlusions, or unusually fast camera motion.

Citation

@article{yin2026scope,
  title={SCoPE: Sightline-Coordinate Positional Encoding for Video Diffusion Transformers},
  author={Yin, Minghao and Lu, Jiahao and Hu, Wenbo and Zhao, Wang and Shan, Ying and Han, Kai},
  year={2026}
}

Acknowledgements

SCoPE is built on Wan2.2 and DiffSynth-Studio. We thank the authors and contributors of these projects.

License

SCoPE is released under the Apache-2.0 License.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
36327cf

0 моделей