Почему камера сползает на уровень глаз в ИИ-видео

Ставишь камеру у пола, отправляешь клип в модель, а на выходе точка съёмки висит там, где её обычно держит человек с телефоном. Разбираю, откуда у видеомодели взялась привычка к уровню глаз, почему ошибка копится на повороте и что реально помогает удержать высоту.

Камера у пола и пунктирная дуга вверх к глазу: точка съёмки сползает на уровень глаз
01

Камера сползает на уровень глаз: что нашли на шести моделях

Клип начинается с камеры, поставленной у самого пола. Кадр ползёт вперёд, герой разворачивается и идёт назад, и на выходе точка съёмки висит там, где её обычно держит человек с телефоном. Высоту задал первый кадр, а после поворота на 180 градусов модель подняла камеру к своим привычным 1,1-1,5 метра.

Свежая работа «Every Camera Grows Up: Camera Height Regression in Interactive Video World Models» (пересказ VideoTech Wire, 18 ноября 2026) проверила шесть открытых интерактивных видеомоделей мира. Сползание растёт вместе с углом поворота и стартует раньше, чем ждёшь: стартовый кадр ещё лежит в контексте, а камера уже едет вверх.

Цифры жёсткие. Для клипов, начатых с высоты 0,15 м, только 0-20% закончили проход в пределах 1,3 от стартовой высоты. Остальные финишировали в коридоре 1,1-1,5 м, то есть у уровня глаз. Эталонные рендеры той же сцены держали высоту в пределах нескольких процентов от старта. Мерили по бенчмарку EyeHeight: шесть высот от 0,15 до 2,2 м плюс четыре реальные высоты штатива.

02

У видеомодели нет камеры, есть привычка

В генераторе нет ни объектива, ни оператора, ни точки в пространстве. Есть числа, которые описывают кадр, и статистика, выученная на миллионах роликов. Камера у пола для модели редкая ситуация. Камера на уровне глаз ситуация обычная.

Авторы объясняют провал данными обучения: модели учились на видео, снятом людьми, а кадров с уровня пола в таком материале почти нет. Привычка оказывается сильнее стартового кадра, и на длинном проходе она выигрывает.

Шкала высоты: камера у пола, вторая на уровне глаз и голова с глазом на той же отметке
03

Почему ошибка копится на повороте

Первый кадр модель видит и его высоту держит. Дальше начинается дорисовка: поворот открывает часть комнаты, которой в стартовом кадре не было, и эту часть модель строит по средним представлениям о мире. А среднее представление живёт на уровне глаз.

Отсюда два следствия. Чем больше угол поворота, тем больше новых участков сцены и тем сильнее уезжает высота. И ошибка не ждёт, пока первый кадр уйдёт из контекста, она начинается раньше.

В моделях Matrix-Game движение пола при повороте соответствовало постоянной высоте, а новая дорисованная геометрия комнаты показывала более высокую точку. Пол и стены в одном кадре рассказывали разное про камеру.

04

Движение камеры в ИИ-видео на повороте: почему текст в промпте помогает не всегда

Соблазн простой: написать в промпте «низкий ракурс, камера на высоте пятнадцати сантиметров» и ждать послушания. В SANA-WM текстовые подсказки про высоту не помогли, карты глубины пола тоже не помогли. Сильное следование тексту (classifier-free guidance) в первой половине шагов очищения шума сползание усиливало.

Дообучение на данных, сбалансированных по высоте, вернуло часть высоты, зато стоило 5 пунктов метрики качества MUSIQ. Так выглядит цена одной привычки, выбитой из модели.

Вывод осторожный: один опыт на одной модели не описывает все генераторы. Текст про высоту иногда помогает, и проверяется это только на своей сцене.

Второй путь виден в AVM (Autoregressive View Model, пересказ VideoTech Wire, 19 ноября). Модель строит сцену как поток видов по заданному пути камеры, без явной 3D-модели: достаёт подходящие виды из входа и из своей истории в ограниченный активный контекст. Обучение шло примерно на 8 млн сцен и клипов, а второй этап на собственных прогонах снижает «уплывание» на длинных проходах.

Google 18 ноября, рассказывая про Genie 4, среди нерешённых задач назвал задержку камеры и долгое постоянство сцены. Формулировка честная: производитель сам не считает вопрос закрытым.

05

Что помогает на практике: короткие шоты и ключевые кадры

Пока модели не держат высоту сами, длину прохода режет постановка. Короткий шот с одним движением оставляет модели меньше места для догадок. Если по сцене надо пройти двадцать метров, проще собрать проход из четырёх коротких кусков.

Ключевые кадры в начале и в конце дают второй якорь: высота на финише задана картинкой. Как устроена эта логика на уровне кадра, разобрано в тексте про то, как модель выбирает следующий кадр. Про формулировки для камеры есть отдельный урок, движение камеры в промте, и он про слова, которые модель читает.

Третий приём это проверка по геометрии. Пол даёт одну линию, горизонт вторую. По двум линиям видно, на какой высоте стоит камера и в какой момент она поехала вверх. Такая проверка быстрая и ловит сползание раньше, чем его увидит зритель.

06

Третий путь: камеру считает код

Обходной путь, который набирает вес: вытащить из клипа 3D-сцену и вести камеру обычным кодом, а кадры собирать в трёхмерном движке. В таком пайплайне высота камеры это число в матрице, и от поворота оно не сползает. Цена сидит во входных данных: сцену надо собрать из клипа, и на сложных сценах это отдельная работа.

07

Что смотреть при приёмке ролика

Три проверки. Пол: линия пола не должна подниматься в кадре, если камера не задумана поднимающейся. Горизонт: на повороте он остаётся на своей высоте. Предметы: стул, стол, дверь на новой стене совпадают по размеру с теми же предметами в первом кадре.

Четвёртая проверка на длинных проходах. Поставить начало и конец рядом и посмотреть, где проходит линия глаз героя относительно горизонта. Небольшое сползание читается по этому отношению, хотя отдельный кадр выглядит нормально.

08

Мой вывод

Сползание камеры это следствие того, как модели учились. Пока данные перекошены в сторону съёмки с рук, модель будет возвращаться к уровню глаз на каждом длинном повороте.

Заказчику это лучше объяснить до съёмки. Если в сценарии есть длинный проход с камерой у пола, часть дублей уйдёт на пересборку из коротких шотов или на 3D-путь. В работе с видео нейросетями такую проверку стоит сделать частью обычного цикла: короткие шоты, ключевые кадры, контроль пола и горизонта. В ручные ролики эта проверка входит так же, только камеру там держит человек.

И честная граница. Как устроены внутри коммерческие модели, которыми пользуются студии, производители не раскрывают, поэтому всё выше это открытые работы и их пересказы. Механика от этого не меняется: привычка к уровню глаз видна и в цифрах бенчмарка, и в тестовых клипах.

частые вопросы

01Почему камера в ИИ-видео поднимается к уровню глаз
Модель училась на видео, которое снимали люди, а такие ролики почти всегда сняты с рук на уровне глаз. Стартовый кадр задаёт высоту на входе, дальше при повороте модель дорисовывает новую геометрию по привычке.
02Можно ли удержать высоту камеры промптом
Иногда да, гарантии нет. В опыте на SANA-WM текстовые подсказки про высоту не сработали. Сильное следование тексту сползание усиливало. Проверять надо на своей сцене и на своей модели.
03Насколько сильно уезжает высота на проходе
Для клипов, начатых с 0,15 м, в пределах 1,3 от стартовой высоты финишировали от 0 до 20%. Остальные пришли к коридору 1,1-1,5 м.
04Помогает ли стартовый кадр с низкой камерой
Он задаёт высоту только на входе. Сползание начинается, пока этот кадр ещё в контексте, поэтому один стартовый кадр длинный проход не вытягивает. Помогают короткие шоты и ключевой кадр на финише.