Camera-Transformer-1

CT-1 是一个面向相机可控视频生成的视觉-语言-相机联合模型，旨在根据图像与文本输入精准推断物理合理的相机运动轨迹，并驱动视频扩散模型生成空间感知的高质量视频。其核心技术包括基于扩散Transformer的相机轨迹预测架构、频域小波正则化损失函数，以及专为训练构建的大规模数据集CT-200K（含4700万帧）。项目适用于需自动化、语义对齐相机运镜的场景，如影视预演、虚拟制片、AI内容创作及三维场景可视化。