Motive 是個專門針對「動作/時間動態」的標記框架，用梯度 + motion 加權 mask，微調 clip 對生成影片 motion 的影響量化，拿來做 dataset curation，顯著提升 T2V 模型的時間一致性與物理合理性。據我們所知，這是第一個在影片生成模型中對運動而非視覺外觀進行歸因，並將其用於微調資料整理的框架。

這視覺模型能幫影片找出「哪個參考影片，真正決定它的動作怎麼動」，然後用這些資訊來挑更好的訓練素材，讓生成影片的動作更順、更合理。​

PlenopticDreamer 主要解決「鏡頭控制生成影片」的不一致問題。這是一個能讓 AI「像無人機一樣繞著物體飛」生成影片的技術。它可以應用在自駕車的模擬環境、機器人的視覺訓練，以及好萊塢等級的虛擬拍攝。

1.  Robotics（機器人）：

    *   情境模擬： 機器人需要理解物體在不同角度下的樣貌。這個技術可以根據單一攝影機的畫面，生成該物體在其他視角的影像，幫助機器人進行視覺導航或物體抓取的訓練。

    *   模擬數據生成： 為機器視覺系統生成更多樣化的訓練數據。

2.  Self-Driving（自駕車）：

    *   場景理解： 自駕車通常有多個鏡頭。這個技術可以補足盲區，或者將一個鏡頭的畫面轉換成其他鏡頭的視角，幫助車輛更全面地感知周圍環境。

    *   未來幀預測： 預測道路上物體在下一秒鐘會出現在哪個位置（從不同角度）。

3.  影視製作與 AR/VR：

    *   新視角補全： 如果拍攝時漏掉了某個角度，可以利用這個技術「憑空生成」該角度的連續影片。

    *   重定向（Re-direction）： 可以將拍好的影片，根據新的鏡頭軌跡重新渲染（Re-rendering），讓同一段故事可以從不同角度重新看一遍。