Mise-en-Video（MeV）：面向多镜头视频生成的细粒度 3D 控制框架

Mise-en-Video（MeV）是一个高可控多镜头视频生成框架，让创作者先在 3D 空间中完成多镜头调度，再生成对应的多镜头视频。它结合分层注意力机制实现多层级叙事一致性，并用 3D-aware 布局引导实现逐镜头的精确空间控制。团队还构建了含分层多镜头文本与有向 3D 边界框的 160K 视频数据集，实验显示 MeV 在视频质量、镜头间一致性和主体级可控性上均优于强基线。