CVPR 2026 | 从「单帧」到「分镜」：STAGE重新定义AI电影叙事

从 Sora，可灵到 seedance 2.0，AI 视频生成的浪潮正席卷而来，其惊人的视觉质量让人叹为观止。然而，当我们尝试用它创作一个真正的 “故事” 时，一个普遍的瓶颈浮出水面：连贯性。

为了攻克这一难题，我们提出了 STAGE，一个以 “电影分镜” 为核心的全新叙事生成框架。它不再预测孤立的关键帧，而是直接生成每个镜头的 “起始 - 结束帧对”，为多镜头视频的创作提供了前所未有的结构化控制力。

目前，该论文已录用至CVPR 2026，相关数据集和模型训练训练和推理代码将逐步开源：

• 论文标题：STAGE: Storyboard-Anchored Generation for Cinematic Multi-shot Narrative
• 作者单位：北京邮电大学、北京大学、北京智源人工智能研究院
• 代码链接：https://github.com/escapistmost/Storyboard-Anchored-Generation

一、前言：AI 视频生成，从 “做动图” 到 “拍电影” 还差多远？

究其原因，一个好故事并非一堆漂亮镜头的简单拼接，而是一个有结构、有逻辑的叙事整体。

目前，主流的多镜头视频生成方法大致分为两派：

1. 端到端 “一镜到底”：计算成本极高，且过程像 “开盲盒”，难以控制，稍有不慎就满盘皆输。
2. 关键帧 “分步走”：先生成几个关键画面作为 “路标”，再让视频模型去 “脑补” 中间过程。这种方法更灵活，但问题也随之而来。

这些方法生成的视频，常常在镜头切换时出现 “灾难性” 的断裂：前一秒主角还穿着红衣，后一秒就换了颜色；或者一个流畅的开箱动作，在特写镜头里却变成了 “瞬移”（如下图中的戒指盒）。这些 “穿帮镜头” 的根源在于，模型只知道每个镜头 “大概长啥样”，却不懂得镜头与镜头之间该如何 “衔接”。

现有方法（上）在镜头切换时常出现动作不连贯、物体不一致的问题。STAGE（下）通过预测结构化的 “分镜”，实现了电影级的平滑过渡。

问题的本质是：我们一直在让 AI “画单帧”，而不是 “拍分镜”。一个真正的导演，脑海里不仅有高潮画面，更有每个镜头的起与承、转与合。

二、核心洞察：用 “起始 - 结束帧对” 重构叙事骨架

多镜头叙事的关键，不应是几个孤立的、稀疏的关键帧，而应是一个结构化的电影分镜 (Storyboard)。基于此，我们提出了一个创新性的想法：

将关键帧生成任务，重新定义为 “起始 - 结束帧对 (Start-End Frame Pairs)” 的预测任务。

也就是说，对于每一个镜头，我们不再只预测一个代表性的画面，而是直接预测出它的 “第一帧” 和 “最后一帧”。这个看似简单的改变，却带来了三大优势：

1. 长程叙事有 “骨架”：所有镜头的起始 / 结束帧串联起来，形成了一个稳固的视觉骨架，确保了角色、场景在整个故事中的长期一致性。
2. 镜头内部有 “航向”：一个镜头的起始帧和结束帧，明确定义了该镜头内部的动态变化，无论是人物走位还是镜头推拉，都有了清晰的起点和终点。
3. 镜头衔接有 “电影感”：上一个镜头的 “结束帧” 和下一个镜头的 “起始帧” 之间的关系，直接对 “转场” 这一电影语言进行建模，让 “剪辑点” 变得平滑而有逻辑。

正是基于这一观察，设计了全新的多镜头叙事生成工作流 ——STAGE(SToryboard-AnchoredGEneration)。

三、技术核心：STEP2，一个懂得 “拍分镜” 的 AI 导演

STAGE 工作流的核心，是我们提出的起始 - 结束帧对预测模型 ——STEP2 (STart-End frame-Pair Prediction model)。它就像一位 AI 导演，能将文字剧本精准地翻译成一系列可执行的视觉分镜。

为了让这位 “AI 导演” 足够专业，我们为它配备了三大法宝：

1. 多镜头记忆包 (Multi-shot Memory Pack)：过目不忘，确保角色不 “穿越”

为了在生成第 N 个镜头时还记得第一个镜头里主角长什么样，我们设计了一个高效的记忆压缩机制。它能将所有历史镜头的视觉信息压缩成一个紧凑的 “记忆包”，在保证长期一致性的同时，避免了巨大的计算开销。

2. 双重编码策略 (Dual-Encoding Strategy)：运镜连贯，确保动作不 “瞬移”

为了保证单个镜头内部的逻辑自洽（例如，一个平滑的推镜头），我们将一个镜头的起始帧和结束帧 “捆绑” 在一起进行联合编码。这让模型在生成之初就对整个镜头的动态了然于胸。

3. 两阶段训练方案 (Two-stage Training Scheme)：从 “会拍” 到 “拍得好”

光会拍还不够，还要有 “品味”。我们借鉴了电影学院的教学模式：第一阶段（SFT 监督微调）：先让模型在海量的电影片段上学习基础的镜头语言，做到 “会拍”。第二阶段（DPO 偏好对齐）：再用人类精选的 “好 / 坏” 镜头转场案例进行 “阅片” 训练，让模型学会什么是 “高级的、电影感的” 转场，最终实现 “拍得好”。

四、数据基石：让模型学会 “分镜” 的起点

要让 AI 学会电影语言，一本好的 “教科书” 必不可少。然而，现有数据集都只关注单帧，无法满足我们对 “分镜” 和 “转场” 的训练需求。为此，我们构建了大规模的 ConStoryBoard 数据集。我们从公开电影中筛选了 10 万个高质量多镜头片段，并为每个镜头都进行了精细化标注，包括：起始 - 结束帧对，故事进展描述，镜头尺度、机位、运镜等电影学属性。更进一步，我们还从中人工挑选出最优的转场案例，构建了包含人类偏好的子集 ConStoryBoard-HP，专门用于第二阶段的 “品味” 训练。

五、实验结果：不仅更连贯，还更懂 “电影感”

我们将 STAGE 与多种 SOTA 多镜头生成方法进行了全面对比。

视觉对比

在 “火车上的女人” 这一主题下，其他方法出现了场景不一致（CineTrans）、风格失真（StoryDiffusion）、动作断裂（VideoGen-of-Thought）等问题。STAGE 则完美保持了人物和环境的一致性，并实现了流畅的叙事。

定量指标

动态展示

六、意义与展望：让 AI 学会用镜头讲故事

这项工作传递了一个清晰的信号：多镜头视频生成的未来，在于结构化的叙事控制，而不仅仅是像素的堆砌。通过引入 “分镜” 这一电影工业的核心概念，STAGE 为 AI 视频生成开辟了一条从 “技术炫技” 迈向 “艺术创作” 的新路径。它让模型不再是一个只会画画的 “美工”，而更像一个懂得如何用镜头组织故事的 “导演”。

我们相信，当 AI 真正开始学会 “拍电影”，而不仅仅是 “做动图” 时，一个由 AI 辅助创作的、真正属于每个人的电影时代，才算真正到来。

更多细节请参阅原论文。