Netflix也发视频模型了：不只是“擦除”，而是“重写”物理世界
背景：视频编辑需要“更智能”的物理推理
视频物体移除是视频编辑中的基础任务。传统方法虽然能有效补全背景或消除阴影，但在面对涉及物理交互的场景时却频频失败。例如移除推动物体的手，后续物体的运动轨迹却未改变；或者移除支撑结构后，被支撑物仍然保持静止，这种逻辑矛盾影响了视频的真实感。
Netflix及其合作团队意识到，这类编辑任务实际上需要AI具备“因果推理”能力：不仅要删除目标，还要合理预测删除后整个场景的物理变化。这种能力在当前视频编辑工具中是普遍缺失的。
VOID框架：不只是移除，而是重构物理世界
Netflix推出的VOID（Video Object and Interaction Deletion）框架，首次在视频编辑中实现了对物理因果的建模。该框架基于CogVideoX构建，并结合了Generative Omnimatte的层级物体解耦能力。
核心创新包括：
- 反事实数据集构建：借助物理仿真引擎生成训练数据，模拟物体不存在时的场景演化。
- 交互感知的四值掩码（quadmask）：提供更精确的条件输入，标记目标物体及其可能影响的区域。
- VLM引导的推理机制：利用视觉-语言模型自动识别被移除物体影响的范围，辅助模型做出更合理的物理推演。
技术流程：两阶段优化，提升物理一致性
VOID的推理流程分为两个阶段，以确保生成视频在物理上更加合理。
第一阶段：反事实轨迹合成
模型根据输入视频和四值掩码生成初步的反事实预测。这一阶段可以捕捉到基本的物理变化方向，例如在移除支撑物后，物体开始自由落体。但由于扩散模型在处理复杂动态时容易出现物体变形等问题，需要进一步优化。
第二阶段：光流引导的噪声稳定
在第一阶段的基础上，VOID提取光流场，生成时序相关的扭曲噪声作为第二阶段的输入。这一过程显著提升了视频在时间轴上的一致性与物体运动的合理性。VLM会根据场景动态决定是否启用这一阶段。
性能评估：多项指标领先，展现强大泛化能力
真实视频评估
- 人类偏好测试：25名参与者评估5个场景，从7个模型中选择最佳结果。VOID以64.8%的胜率位居第一，Runway仅18.4%。
- VLM自动评分：Gemini 3 Pro、GPT-5.2和Qwen 3.5-32B评分中，VOID在交互物理、时序一致性等维度得分最高。
- 定性案例分析：在移除支撑手后，VOID成功模拟自由落体；移除狗后，棍子自然掉落；移除搅拌机按钮上的手后，搅拌机不再启动等。
合成数据集评估
在多个视频质量评估指标（如FVD）中，VOID表现优异。LPIPS等对局部位移敏感的指标中，VOID略逊一筹，但这是因为其物理模拟的动态变化在数值指标上可能“偏离”原视频。
行业影响：重新定义AI视频编辑方向
VOID的提出，不仅提升了视频移除的物理真实性，更开辟了AI视频编辑中“因果建模”的新方向。它不再依赖对背景的简单补全，而是基于对场景中物体互动的理解，进行“重写”式编辑。
- 影视制作：可实现更自然的后期编辑，如删除道具或特效后仍保持场景连贯。
- 内容审核：在去除违规或敏感内容时，能保持画面逻辑一致性。
- AI创作工具：为AI视频生成提供“编辑-重构”闭环，推动生成式视频工具的实用性提升。
未来展望：物理推理能力将成AI视频编辑标配
研究团队指出，随着视频生成模型与视觉-语言模型的持续进化，VOID的性能有望进一步提升。更重要的是，这项工作揭示了AI视频编辑的一个全新方向：如何将世界建模能力与生成模型结合，实现更深层次的场景理解。
这不仅仅是技术上的突破，更可能引发AI视频工具的范式转变：从“被动修改”走向“主动推理”，为视频创作、编辑、修复带来前所未有的可能性。