NVIDIA AI(@NVIDIAAI)

When you train a video model for motion, only some clips actually matter. New from NVIDIA Research ...

8.5内容质量

TL;DR · AI 摘要

NVIDIA Research 提出 MOTIVE 方法，通过聚焦运动区域提升视频模型性能，人类偏好率提升 74.1%。

核心要点

  • MOTIVE 通过重新加权训练信号，聚焦运动区域而非静态背景
  • 选择高影响训练片段可使 VBench 动态性能提升 74.1%
  • 该方法已获 ICML2026 优秀论文提名

结构提纲

按章节快速跳转。

  1. §引言

    揭示视频模型训练中并非所有片段都同等重要

  2. ·MOTIVE 方法概述

    通过重新加权训练信号聚焦运动区域

  3. ›技术实现

    基于运动属性的训练数据筛选机制

  4. ·实验验证

    在 VBench 测试中提升 74.1% 人类偏好率

  5. ›应用价值

    优化数据选择提升时序动态表现

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）
  • MOTIVE 方法
    • 技术原理
      • 运动区域加权
      • 静态背景抑制
    • 实验结果
      • VBench 74.1% 人类偏好率
    • 应用价值
      • 数据集优化
      • 时序动态提升

金句 / Highlights

值得收藏与分享的关键句。

#视频模型#MOTIVE#NVIDIA#ICML2026
打开原文

NVIDIA AI on X: "When you train a video model for motion, only some clips actually matter. New from NVIDIA Research and recipient of an Outstanding Paper Honorable Mention at #ICML2026: MOTIVE shows exactly which training clips improve motion. MOTIVE re-weights training signals toward moving https://t.co/mJAn3QJBAu" / X

NVIDIA AI

@NVIDIAAI

当训练视频模型处理运动时，实际上只有部分片段起关键作用。来自NVIDIA Research的最新成果，荣获#ICML2026杰出论文荣誉提名：MOTIVE能精准识别哪些训练片段对提升运动效果有帮助。MOTIVE通过将训练信号权重向运动区域倾斜、远离静态背景，再根据每个片段对运动的影响进行评分。随后可筛选出一小部分高影响力片段进行微调，从而获得更优的时序动态表现。由于MOTIVE关注的是运动属性而非外观特征，其筛选的数据显著提升了VBench动态指标表现，并在人类偏好测试中以74.1%的胜率超越基线模型。

00:00

下午7:28 · 2026年7月7日

10.5K

浏览量

1

0

10

11

4

6

146

3

33

查看10条回复