论文导读
Adobe Research、伍斯特理工学院提出CamPilot，让多个智能体先规划故事、镜头角度、相机运动和焦点，再按拍摄脚本生成多镜头视频。团队从14,581部视频整理99,975个镜头用于训练和评测；成绩来自自建CamEval与自动指标，尚不能等同于专业剧组成片质量。
文生视频画面变好了，镜头语言仍可能很平
普通文生视频模型直接把提示词变成画面，能生成一只奔跑的狗，却不一定知道先用高机位交代环境、再推近表情、最后跟拍动作。单个镜头看起来合理，多镜头拼在一起仍会缺少节奏，人物位置和视线也可能断开。
CamPilot把生成前的决策写成拍摄脚本。用户先给场景和情绪，故事规划器拆出镜头；相机工作规划器为每个镜头选择角度、运动、焦距和景别；视频模型再执行。修订智能体会检查生成结果与计划是否一致，必要时返回修改。
图1：经典文生视频直接出片，CamPilot先生成按时间排列的运镜计划。
近10万个镜头教模型识别拍摄选择
团队从14,581部视频中提取99,975个镜头，时间覆盖2019至2020年。训练集包含12,641部视频和85,048个镜头，验证集与测试集各1000部。视觉语言模型为片段标注镜头类别、运动方式和构图，再给相机规划器提供监督。
这个数据集名为CamEval，既训练规划能力，也评估镜头分类、关键帧生成和电影生成。它把“运镜好不好”拆成可计算指标，但标注来自模型生成和自动整理，无法完全替代摄影师对叙事、表演和剪辑的判断。
图2：相机规划器、视频生成器、修订器和评估器围绕拍摄脚本协作。
同一骨干下，规划器把相机工作F1推到27.2%
以Llama-3.1-8B-Instruct为骨干，普通提示的相机工作Macro-F1为9.8%，监督微调为13.7%，CamPilot达到27.2%。电影生成部分，主体一致性得分95.0，美学分59.0，高于同表中的MovieAgent和DreamFactory。
图3：季节变化与赛车场景中，两种方法的多镜头结果对比。
表中数字说明规划步骤在CamEval协议里有效。模型仍依赖底层视频生成器，遇到人物一致性、物理运动或长时叙事错误，拍摄脚本不能单独修好。数据主要来自有限年份和通用类型电影，镜头语言也可能受来源分布限制。
下一步要把可控镜头变成可编辑时间线
现在的流程能生成拍摄脚本，但创作者更需要逐镜头修改：锁定某个机位、延长动作、替换转场，并保持其他镜头不变。后续可以把规划器输出接入时间线，让人先批准镜头表，再调用不同视频模型执行。
产品化还需记录每次修订用了多少生成轮次，以及镜头一致性提升是否值得额外成本。CamPilot给出一套可检验的“先规划后生成”流程，真正进入电影制作仍要经过人工导演、剪辑和版权审查。
