你有没有注意过 AI 生成的视频？人物走路手臂不协调，杯子在空中突然飘起来，影子方向和光照打架——这类"物理常识翻车"几乎存在于所有图生视频（Image-to-Video, I2V）模型里。

一篇被 ICML 2026 接收的新研究带来了一个反直觉的发现，还附带一个几乎零成本的解决方案。

一个反直觉的发现

研究者们测试了多款主流图生视频扩散模型（I2V diffusion models），想搞清楚为什么生成的运动经常违反物理定律。

结果令人意外：同一个人模型，用 2 步生成出来的视频，运动一致性反而比用 50 步生成的更好。

直觉上，步数越多应该越精细、越真实。但数据说明，事实恰恰相反。

根本原因：相位悄悄退化

为什么步数多了反而更"假"？

研究者通过频谱分析（spectral analysis）找到答案：在去噪（denoising）过程中，相位（phase）信息持续退化，从第 2 步到第 50 步，相位质量下降约 18%。相比之下，幅度（magnitude）基本保持稳定。

相位信息承载的是空间关系的运动方向和协调性。相位一乱，画面里物体运动的"逻辑"就乱了——所以步数越多，视频细节越精细，但运动越不合常理。

PhaseLock：两步"锁"住运动先验

基于这个发现，研究团队提出了 PhaseLock，一个无需训练、即插即用的框架，核心思路非常直接：

1. 提取运动先验：从模型前 2 步的生成结果中提取相位信息，作为"正确运动"的参考
2. Latent Delta Guidance：把这个运动先验"锁定"注入到后续所有去噪步骤，防止相位继续退化

这样做的好处是：既保住了高保真度的视觉细节，又稳住了运动一致性。

实测效果

研究在 SiT、JiT、UNet 三种主流架构上测试，覆盖多个数据集，结果：

• 物理一致性平均提升 6.2 分（跨多个模型）
• 视觉质量基本不损失
• 计算开销极低：时间仅增加 1.06 倍，内存增加 1.02 倍
• 不需要任何额外训练，也不需要调用外部物理检测器

对比需要额外引导信号的方案，PhaseLock 在推理速度上还快了约 5 倍。

谁会用、怎么用

对于 AI 视频生成工具的开发者来说，PhaseLock 的吸引力在于"低成本高回报"——无需修改模型权重，只需在推理管线上加一步 latent delta 引导即可。

对于创作者来说，这个方向意味着：下一代图生视频模型如果集成类似技术，AI 视频里"穿帮镜头"会大幅减少，开车时车轮打滑、人物走路手足扭曲这类问题会逐步改善。

该研究已入选 ICML 2026，代码和详细评估结果可从 arXiv 获取。

---

来源：arXiv:2606.06361，2026-06-04 提交，作者 Woojung Han 等（ICML 2026）

参考来源

• https://arxiv.org/abs/2606.06361

说明：该页面由基础模板稳定生成，后续可继续局部润色样式或补充模块，再进入发布检查。