Netflix也发视频模型了：不只是“擦除”，而是“重写”物理世界

视频物体移除是基础，那“物理交互移除”呢？

在视频编辑工具箱里，物体移除早已不是什么新鲜事。目前的主流方法，应付那些“简单”场景已经游刃有余——比如干净地抹掉一个障碍物，把它背后的背景天衣无缝地补全，或者顺带消除它的影子和倒影，都不在话下。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

但真正的挑战往往藏在更复杂的现实里：如果要移除的物体，并非孤立存在，而是与场景中的其他元素有着实实在在的物理交互，该怎么办？

不妨设想两个场景：一排多米诺骨&牌正连锁倒下，如果凭空移除中间几块，按照现有逻辑，后面的骨&牌理应继续倒下。但这在物理上根本讲不通，因为推动它们的“前因”已经消失了。再比如，画面里有一双手正在转动陀螺，倘若移除这双手，物理规律告诉我们，陀螺会依靠惯性继续旋转，而不是随之凭空消失或骤然停止。

这类场景对模型提出了更高要求：它不能只做“擦除”和“修补”，还必须具备一定的因果推理能力。核心问题是，不仅要“移除”物体本身，还得推演“如果这个物体从未存在过，整个场景的物理进程会如何演变”。而这，正是当前许多视频编辑模型的盲区。

面对这个瓶颈，Netflix（网飞）团队与合作伙伴给出了他们的答案：“视频目标与交互删除”框架，简称VOID。

论文链接：https://arxiv.org/pdf/2604.02296

VOID的目标很明确：不仅要移除指定目标，还得对其消失后可能引发的物理连锁反应，进行合理建模与生成。框架的基石是三大核心创新：利用物理仿真引擎构建反事实数据集、引入交互感知的“四值掩码”作为条件化策略，以及在推理时借助视觉-语言模型自动识别哪些区域会受影响。

值得一提的是，VOID基于智谱AI的视频生成模型CogVideoX构建，并专门针对具备交互感知掩码条件的视频修复任务进行了微调。

效果如何？研究数据给出了有力证明：在人类偏好评估中，VOID结果被选为最优的比例高达64.8%，远超第二名Runway的18.4%。

更令人印象深刻的是其泛化能力。VOID能处理许多训练数据中从未出现过的物理效果，例如“移除拿着气球的玩具熊后，气球会向上飘走”，或者“移除按下搅拌机按钮的人手后，搅拌机保持静止”。这表明，模型并非简单记忆样本，而是学会了调用底层模型的物理直觉进行推理。

整体而言，这项工作为视频编辑模型向更高阶的“世界模拟器”迈进，提供了扎实且富有启发的路径。

更懂物理的“视频移除”

VOID的架构建立在CogVideoX的DiT骨架上，并从Generative Omnimatte的预训练权重初始化，从而继承了其对物体与效果进行分层解耦的优良能力。

在此基础之上，研究团队通过反事实数据对和独特的四值掩码进行微调，教会模型一个关键技能：在物体被移除后，如何生成物理层面合理的新运动轨迹。

整个过程可以概括为：用户提供一段视频并指定要移除的物体，系统随后自动推理哪些区域会因该物体的消失而产生变化，最终生成一段符合物理规律的反事实视频。

图｜VOID 示意图

1. VLM引导的推理时四值掩码生成

在推理阶段，用户的操作极其简单——只需点击目标物体。接下来的复杂分析交由系统完成：视觉-语言模型会解析整个场景，自动推断哪些物体会受到影响，以及它们在反事实场景中应该出现的位置。具体流程分四步走：

首先，VLM接收视频和物体掩码，输出一个受影响物体的描述列表。

接着，使用SAM 3模型对这些受影响物体进行分割，获取它们在原始视频中的位置掩码。

然后，在视频上叠加一个空间网格，由VLM预测这些物体在“假设目标不存在”的新场景中，最可能出现的位置。

最后，合并原始位置和预测新位置两组掩码，生成最终指导模型生成的“四值掩码”。

2. 两阶段推理

基于生成的四值掩码，VOID通过两阶段推理来打磨最终结果。

第一阶段：反事实轨迹合成。 模型根据输入视频和四值掩码，生成一个初步的反事实预测。这一阶段能抓住大方向正确的运动假设，比如失去支撑的物体开始自由落体。但由于视频扩散模型在生成复杂运动时，偶尔会出现物体变形或闪烁的问题，因此需要进一步优化。

第二阶段：光流引导的噪声稳定。 受“Go-with-the-Flow”方法的启发，VOID从第一阶段输出中提取光流场，并用其生成与时间序列相关的扭曲噪声，将此作为第二阶段的输入。这相当于让扩散模型沿着正确的运动轨迹进行一致性的去噪，从而显著减少物体变形。是否需要触发第二阶段，由VLM自动判断——通常只在检测到场景存在大幅动态变化时才会启用。

研究结果

无论是在真实数据还是合成数据上的实验，结论都指向一点：与现有的视频对象移除方法相比，VOID在移除对象后，能更出色地保持整个场景动态的连贯性与物理合理性。

1.真实世界视频评估

评估真实世界视频没有“标准答案”，因此研究团队采用了多维度的评估方式。

人类偏好研究： 25名参与者每人评估5个不同场景，从7个模型的输出中挑选最佳结果。数据显示，VOID以64.8%的胜率稳居第一，达到SOTA水平。值得注意的是，即使竞争对手Runway额外接受了描述预期场景变化的文本指令，仍未能撼动VOID的优势。

VLM裁判评估： 团队还请来了Gemini 3 Pro、GPT-5.2和Qwen 3.5-32B三位VLM“裁判”，从交互物理合理性、物体移除质量、时序一致性、场景保留度等多个维度进行自动评分。在全部三位裁判的评选中，VOID均获得了最高的总分。尤其在衡量核心能力的“交互物理”维度，优势更为突出：在Gemini 3 Pro的评估中，VOID得分3.66，而第二名Runway仅为2.61。

定性对比： 在众多真实场景案例中，基线方法暴露出各种不足：在碰撞场景中未能正确移除物体、重物移走后枕头依然保持凹陷、移除油漆滚筒后墙上却出现了新油漆等。反观VOID，在所有测试案例中都表现出了正确的物理推理。

对未见效果的泛化： 在泛化能力测试中，VOID成功处理了多种训练时未曾见过的交互类型。例如：移除拿着气球的卡通熊后，气球会向上飘走；移除按下搅拌机按钮的孩子后，搅拌机保持未启动状态；移除正在咬住棍子的狗后，棍子自然掉落；以及移除作为障碍物的橡皮鸭后，小球的滚动轨迹随之改变。

2.合成数据集评估

在一个包含10个经典影子/倒影移除案例和30个动态交互案例的合成基准测试上，VOID同样展现了SOTA级别的能力。

在除LPIPS之外的所有评估指标上，VOID均取得了最佳成绩。这里有个有趣的细节：LPIPS指标对局部像素位移非常敏感。这意味着，如果模型正确模拟了物体掉落，但下落速度与“标准答案”有细微偏差，其得分反而可能低于那些简单删除物体、导致物理错误的模型。而在更能衡量整体质量的视频级指标（如FVD）和VLM裁判分数上，VOID与基线模型的差距最为显著，这强有力地证明了其在物理合理性与语义一致性方面的卓越优势。

此外，在75个真实世界测试用例上进行的消融研究进一步表明：混合不同来源数据集带来的多样性（即使总数据量不变），其效果优于使用单一数据源；同时，精细的四值掩码配合VLM引导的生成流程，其效果也明显胜过粗糙的全局掩码策略。

不足与未来展望

尽管VOID展现了强大的潜力与泛化能力，但这项研究也客观地指出了当前的一些局限性：

域差距问题： 当测试视频的拍摄角度比较异常，或者摄像机过于靠近物体时，模型的性能会出现下降。

数据来源局限： 目前的训练数据全部来自计算机渲染引擎，未来可以探索结合更多样化的真实世界数据获取方式。

视频长度和分辨率： 当前生成视频的长度仍限制在几秒钟，分辨率也有进一步的提升空间。

研究团队展望，随着更强大的视频生成模型和视觉-语言模型不断涌现，这一框架的性能有望持续提升。更重要的是，这项工作揭示了一个充满趣味且远未充分探索的方向：如何将强大的世界建模与物理推理能力，有效地迁移并应用于视频编辑这一实用领域。这或许才是其最令人期待的价值所在。