01

60 秒回答模板

视频生成里时序对齐和空间对齐都重要，不能简单说某一个永远更重要。空间对齐关注每一帧是否符合文本、主体身份、布局、场景、纹理和细节；时序对齐关注帧与帧之间的运动是否连贯、身份是否保持、动作是否按顺序发生、是否闪烁和漂移。对于产品展示、人物身份、品牌物体或精确场景，空间一致性是底线；对于动作、交互、镜头运动和长视频，时序一致性往往决定观感。工程上常用时空注意力、3D U-Net、关键帧加插帧、光流或运动约束、latent temporal module、多阶段空间/时间超分来平衡。评估要分开看：空间侧看文本-帧匹配、主体一致、画质和布局；时间侧看 FVD、光流一致、闪烁、动作连贯、长程漂移和人工偏好。好的回答是先说任务依赖，再说训练约束和评估闭环。

考点 二维坐标
难度 真实面经题
回答目标 讲清时序和空间对齐取舍
02

深入解析

01

空间对齐保证每帧正确

空间对齐关注单帧层面的质量：画面是否符合 prompt，主体外观是否正确，物体位置和比例是否合理，风格和纹理是否稳定。没有空间对齐，视频每一帧即使动得连贯，也可能主体不对、场景不对或细节失真。

02

时序对齐保证帧间连贯

时序对齐关注时间维度：物体和人物身份是否跨帧保持，动作是否连续，速度和轨迹是否合理，镜头运动是否自然，是否存在闪烁、跳变、形变和长程漂移。视频比图片难，核心就在于连续帧不能互相矛盾。

03

重要性取决于任务

如果任务是商品展示、人物形象、固定场景或品牌素材，空间对齐更像底线，因为主体必须准确。若任务是跳舞、奔跑、交互、物体变化或镜头运动，时序对齐会更关键，因为用户首先感受到动作是否顺。真实系统通常先保证空间可接受，再用时序模块提升连续性。

04

模型结构要同时建模时空

视频生成常用在图像扩散基础上加入时间维度，例如时空注意力、3D 卷积、时间 Transformer、Space-Time U-Net 或 latent temporal module。也可以采用关键帧生成加插帧、多阶段时空超分。结构选择要在分辨率、帧数、运动幅度和算力之间取舍。

05

训练约束要针对失败模式

针对空间问题，可以加强文本-帧对齐、主体识别、分割或布局条件；针对时间问题，可以使用相邻帧一致性、光流约束、轨迹条件、视频级判别或长短片段混合训练。还要处理数据质量，因为视频数据里的镜头切换、压缩噪声和字幕水印都会影响学习。

06

评估不能只看一个分数

FVD 等视频分布指标能反映整体视频质量，但不能单独说明文本是否对齐、主体是否保持或动作是否合理。空间侧要看 CLIP 类文本-帧匹配、画质、主体身份和布局；时间侧要看光流一致、闪烁率、身份轨迹、运动合理性、长程漂移和人工偏好。

03

易错点

  • 直接回答时序更重要或空间更重要，没有说明任务依赖。
  • 把空间对齐只理解成分辨率高，忽略主体、布局、身份和文本匹配。
  • 把时序对齐只理解成帧率高，忽略动作连续、闪烁、漂移和身份保持。
  • 只讲模型结构，不讲数据质量、训练约束和失败模式。
  • 只用 FVD 或单一自动指标评估，忽略文本对齐和人工偏好。
  • 没有说明工程取舍：帧数、分辨率、运动幅度、延迟和算力会互相制约。
04

面试官追问

为什么视频生成比图像生成更难？

图像只需要单帧合理，视频还要求连续帧在身份、几何、运动、光照和语义上保持一致。时间维度会放大小错误，产生闪烁和漂移。

什么情况下空间对齐更重要？

人物身份、商品外观、品牌元素、固定场景和精确布局要求高时，空间对齐更重要，因为主体错了，动作再顺也没意义。

什么情况下时序对齐更重要？

动作、运动轨迹、交互、镜头移动和长视频场景下，时序对齐更重要，因为用户主要感知的是动作是否连续和对象是否稳定。

如何减少视频闪烁？

可以增强时间建模，加入相邻帧一致性、光流或特征一致约束，使用更稳定的采样和解码策略，并在后处理或超分阶段保持跨帧一致。

FVD 分数低是否说明视频一定好？

不一定。FVD 衡量生成视频分布和真实视频分布的距离，不能完全覆盖文本对齐、主体身份、细节正确和具体动作是否符合要求。

训练数据对时空对齐有什么影响？

视频数据如果有大量镜头切换、字幕、水印、低帧率或错误文本，会削弱时间连续性和文本对齐。需要清洗、片段切分和质量过滤。