VibePaper 发布白膜视频深度提取：Video Depth Anything 赋能空间结构参考
在 AI 视频生成的复杂工作流中，如何精准控制空间结构往往比调整外观更为关键。VibePaper 近日在其官方博客中正式发布了“白膜视频”深度提取功能，该功能基于最新的 Video Depth Anything 技术，旨在为创作者提供一套去除了色彩与材质干扰的纯空间结构参考。
01 什么是“白膜视频”？
在 VibePaper 的语境下，“白膜视频”并非简单的去色处理，也不是可编辑的三维模型或人体骨骼动画。
- 本质区别：普通 RGB 视频记录的是颜色与亮度，而深度视频将画面转化为灰度，编码的是空间前后关系。近处物体更亮，远处物体更暗（或反之，取决于约定），以此明确轮廓、遮挡和景深。
- 非去色：去色后的黑色衣服仍可能很暗，白色墙面仍可能很亮，无法准确表达距离；而深度图的明暗直接对应估计的距离。
- 非三维数据：它不是网格模型、骨骼坐标或相机轨迹文件，而是随时间变化的深度视觉线索。
02 技术原理：从单目视频推断三维
该功能核心依托于 Video Depth Anything（CVPR 2025）模型，其工作流程如下：
- 单目估计：利用遮挡、透视、轮廓及场景先验，从普通视频中推断空间结构。
- 时空建模：相比单帧深度估计，视频深度必须保证时序一致性，避免静止物体在回放时出现“呼吸”般的闪烁。
- 相对深度：输出的是相对距离关系（A 比 B 近），而非精确的米制距离，需结合具体场景理解。
03 核心亮点与应用价值
核心亮点
- 空间结构解耦：将动作节奏、镜头运镜与人物外观分离，允许创作者独立控制空间布局与角色外观。
- 长视频稳定性：针对超长视频优化，确保深度估计在长时间序列中保持连贯，减少帧间跳变。
- 零成本参考提取：当前深度提取步骤为 0 Paper 点，降低了结构参考的门槛。
关键技术指标
| 指标 | 数值/描述 | 说明 |
|---|---|---|
| 模型基础 | Video Depth Anything Small | 当前服务采用的模型标识 |
| 输入分辨率 | 支持 480p / 720p | 输出尺寸随素材比例动态调整 |
| 帧率 | 24 fps | 保持原片时间轴节奏 |
| 计费策略 | 0 Paper 点 | 仅深度提取免费，后续生成按模型计费 |
04 创作实战与避坑指南
如何正确使用？
创作者应将原片（提供动作与运镜）与白膜视频（提供空间结构）分开管理。在生成新视频时，明确指令：
“沿用参考片段中主体从远处走近的节奏，保留两侧前景形成的空间通道。目标人物外观以单独提供的角色图为准，不沿用深度图的灰度外观。”
难点与体检清单
深度提取并非万能，以下场景易出现轮廓丢失或闪烁：
- 反光与透明物体：如玻璃、水面、烟雾。
- 复杂边缘：细杆、发丝、复杂衣物褶皱。
- 快速运动与转场：可能导致深度估计不稳定。
提交前检查清单：
- 空间层次：前景、主体、背景是否清晰分离？
- 轮廓边缘：头部、手臂等关键部位是否连续？
- 时间稳定：是否存在闪烁、跳变或漂移？
VibePaper 强调，深度参考仅作为结构约束，最终效果仍取决于下游生成模型对条件的理解。建议保留原始素材，以便在需要还原品牌色或面部细节时进行二次调整。
05 参考资料
- Video Depth Anything: Consistent Depth Estimation for Super-Long Videos (CVPR 2025)
- Depth Anything V2 (NeurIPS 2024)
- Adding Conditional Control to Text-to-Image Diffusion Models (ICCV 2023)
