多人视频生成不再串脸:MultiBinder先把人物绑定到词,再交给叙事编排
个性化视频生成在主体数量增加时会出现身份泄漏:不同人物的外观特征互相混入,叙事结构也随之崩坏。MultiBinder把条件过程拆成两步,先用实体感知的Q-Former把每张参考图与对应的人物短语绑定成互不混淆的身份令牌,再让多模态大模型按提示词推断“谁在做什么”,最后注入视频扩散模型。在新建的MultiBind-Bench上,MultiBinder的身份纯度得分为73.98%、视觉推理得分为84.56%,均高于同一榜单上的Kling-1.6(69.51%与82.89%)。