视频生成模型的后训练与对齐综述

摘要

视频生成已从短视频片段发展为高分辨率、长时序的复杂动态序列，但预训练模型常难以遵循人类意图、维持时间一致性并满足物理与安全约束。相比图像与文本生成，视频对齐面临误差随时间累积、运动与外观耦合、多目标权衡以及时序属性监督有限等挑战。该综述首次系统梳理视频生成的后训练与对齐，按对齐信号的实施方式区分隐式对齐与显式对齐，将现有方法归为监督微调、自训练与蒸馏、基于偏好与奖励的方法、推理时方法四类；同时综述常用数据集、基准与评估实践，并讨论可扩展奖励设计、长时序一致性、稳定性—表达力权衡及安全感知生成等开放问题。