UniVid-X 视频框架发布：不仅能抠像换背景，还能重构光照与表面法线

现在的 AI 视频生成器很多，但生成出来的东西就像一张被压平的油画，如果你想给视频换个夕阳打光，或者把主角单独抠出来，基本只能干瞪眼。

研究人员公布了一项多模态视频框架 UniVid-X，试图从根本上解决这个问题。它没有把视频当成死板的彩色像素，而是让同一个模型同时理解画面的几何结构、光影和图层关系。

把画面拆成光照、法线与透明图层

UniVid-X 本质上依然是一个视频扩散模型，但它掌握了图形学里的核心内在属性。它不仅能输出普通的 RGB 彩色视频，还能同步生成物体的 albedo（基础固有色）、irradiance（光照信息）以及 normal（表面朝向法线）。

除了光影与几何，它还能精准识别视频中的前景与背景，并直接生成 alpha 透明度通道。这相当于在生成视频的同时，把合成师需要的图层全都分好了。

在实际演示中，你给系统一段普通视频，模型就能解构出它的法线和光照。如果你输入一句“黄昏阳光”，它就能在保持画面结构不变的前提下，给整个场景重新打光。

想要换角色或换背景也很直观。利用它分离出的高质量前景和背景通道，你可以直接把房间里的角色替换掉，或者把现实背景换成另一处场景。论文实验显示，UniVid-X 在表面法线估计和视频抠像的准确度上，都明显超过了现有的竞品。

不到一千条视频，怎么做到底层理解

以往处理这类任务，行业习惯是各个击破：做抠像的训一个模型，做光照的训另一个，导致输入和输出关系被彻底锁死，跨模态之间的信息也无法互通。

UniVid-X 提出了三个关键机制来打破这种限制。首先是随机条件遮罩（SCM），在训练时随机把不同模态划分为已知条件和待生成目标，让模型具备全向条件生成能力，不再被固定任务束缚。

其次是解耦门控 LoRA（DGL），为每个模态单独配备微调参数，只有在生成特定目标时才激活，从而保护了主干模型原有的视频生成先验。

最后是跨模态自注意力（CMSA），让不同模态在共享键和值的同时保留各自的查询，保证了光影和几何信息在生成过程中的严格对齐。

基于这些设计，团队推出了面向内在属性的 UniVid-Intrinsic 和面向透明图层分离的 UniVid-Alpha 两个分支。令人意外的是，模型仅仅使用了不到 1000 个视频进行训练，就能在各种复杂的真实户外场景里稳定泛化。

为什么重要

对视频剪辑师、后期特效人员和 3D 创作者来说，这正是生成式视频走向工业化所缺失的一环。以往 AI 生成的视频几乎没有可编辑性，而 UniVid-X 直接输出了法线、底色和透明通道，让 AI 视频第一次能真正对接传统后期合成与 3D 渲染流程。

对整个行业而言，这指明了一条更聪明的技术路径。它证明了不需要为抠像、打光、法线估计分别训练庞大的专用网络，视频扩散模型本身的先验知识，完全可以通过巧妙的模态对齐统一调度。

我们认为 UniVid-X 最亮眼的地方在于效率。很多团队在死磕海量训练数据，而它靠不到 1000 条视频就跑出了极强的真实场景泛化能力。不过这一成果目前主要停留在学术验证阶段，未来推向工业管线时，如何保证超长视频的时序一致性以及降低推理算力消耗，仍然需要持续观察。