如视发布三维几何一致视频生成方案 以5800万真实空间数据压制AI幻觉

AI视频生成在画质与速度上持续突破，但场景漂移、物体错位等空间逻辑问题长期制约其产业落地。如视近日公布其基于自研空间大模型Argus的解决方案，通过将真实三维几何数据深度注入视频生成流程，在控制AI幻觉的同时实现帧间空间结构恒定。

行业痛点：2D架构无法认知三维空间

当前主流AI视频模型多基于2D扩散架构构建，仅能进行像素级画面生成，不具备三维空间认知能力。镜头移动时，场景尺度、物体坐标易出现逻辑矛盾，导致单帧精致但动态穿帮。业内认为，解决该问题的关键不在于提升画质，而在于赋予模型空间理解能力。

解题路径：扩散模型“戴上3D眼镜”

如视的核心思路是摒弃纯文本、纯像素的二维生成逻辑，由扩散模型负责画面纹理与光影细节，而底层的空间结构、物体位置则由真实三维几何数据严格约束。具体落地包含两大技术路径：

• 全景视频扩散模型 + 几何注入：在传统扩散模型中新增几何约束模块，将三维结构信息作为附加条件，与文本提示词共同指导生成。几何数据可来源于空间大模型Argus实时推理输出的高精度空间数据，或自研3D激光扫描仪伽罗华P4采集的真实场景点云数据。所有帧共享同一套三维几何骨架，空间结构高度一致。
• 起止帧约束 + 修复式生成：针对用户指定的视频起止帧分别完成高精度3D重建，生成完整网格模型与点云结构，通过智能插值算法推演中间帧的几何骨架，再由扩散模型补全纹理与光影。该方案可实现用户可控的特定视角漫游。

几何注入方案生成的视频不仅具备视觉美感，还因几何原生自带绝对尺度参数，使画面具备可测量、可复刻的真实空间属性，被业内视为目前几何一致性最强、最贴近“物理AI”核心要求的视频生成方案。

应用方向：从“好看工具”升级为“实用工具”

当视频生成具备几何一致性后，其价值从观赏性延伸至产业场景。明确的应用方向包括：

• 具身智能仿真数据生成：提供带几何标注的ego-centric视频，用于训练机器人空间理解与导航规划。
• 物理AI动态化：将静态三维重建结果作为输入，生成场景在不同条件下的动态模拟视频。
• VR内容生产：在几何正确的空间骨架内生成第一人称视角视频，无需手动建模。
• 影视与建筑预演：以起止帧构图自动生成镜头运动中间画面，提升预演效率。

核心底牌：5800万真实空间数据资产

与多数仅聚焦2D扩散模型算法迭代的厂商不同，如视近十年深耕真实空间数字化领域，依托自研激光雷达扫描设备与高精度重建算法持续积累数据。截至2026年3月，已完成超5800万真实空间的数字化采集，覆盖总面积突破48亿平方米，该数据库成为其三维约束生成体系的重要基础设施。

这一技术路径意味着，AI视频生成不再依赖模型“脑补”场景，而是基于真实空间的物理结构进行可控生成，为行业从“好看”向“好用”的跨越提供了具体方案。

如视发布全球首款全景图输入空间大模型Argus 1.0

2025年11月，如视正式推出全球首款支持全景图输入的空间大模型Argus 1.0。该模型依托海量真实三维空间数据，可在毫秒级速度下精准推理出图像对应的绝对尺度相机位姿、深度图与三维点云，为AI视频生成提供几何约束输入源。

以三维空间数据支撑视频生成几何一致性

如视的空间数据库覆盖住宅、工厂、商场、博物馆、办公园区等全品类线下空间，每组数据包含精准几何结构、绝对尺度参数和真实纹理细节。区别于通用模型使用的虚拟训练数据，该数据库具备极强的真实性与实用性，为视频生成的几何约束、空间推理与场景还原提供底层支撑。

“让每一段视频、每一帧画面的空间结构都有真实三维数据兜底，从算法层面保障几何一致性的落地效果。”——素材原文

空间理解能力被视为视频生成核心方向

如视认为，未来AI视频行业的核心差距将脱离“视觉优劣”的浅层维度，转向“空间真伪”的深层维度。真正具备产业价值的AI视频系统需要拥有三维空间理解能力，尊重物理世界运行逻辑。如视选择先完成真实空间的高精度几何还原，再将三维空间能力转化为视频生成的硬性约束，而非跳过三维重建直接像素生成。

Argus 1.0模型技术特点解析

全景图输入是Argus 1.0的关键特性，指模型可直接接受360度全景照片作为输入，从而获取完整空间信息。绝对尺度相机位姿是指相机在空间中的精确位置与朝向，结合深度图与三维点云，构成视频扩散生成管线的实时几何约束。

• 毫秒级推理速度，可实时输出空间参数
• 为AI视频每一帧画面提供三维数据兜底
• 立足底层空间逻辑，追求真实世界复刻

行业影响展望

如视的技术路线强调“真实可信优于极致好看”，主张AI视频不应是视觉假象，而应经得起空间、尺度与物理规则的检验。这一方向被视为物理AI视频生成的核心发展方向。