GraphVid

可控视频生成常受限于轨迹方法的复杂度和数据需求。GraphVid通过构建有向交互场景图，利用Edge-Aware Graph Reasoning模块捕捉对象间关系动态，并通过LoRA适配器注入冻结的DiT骨干网络。实验显示其在MoveBench上优于Wan-Move等基线，推理速度提升显著。需注意其对小目标检测的依赖及上下文窗口限制。