近期，阿里云人工智能平台 PAI 的视频编辑算法论文在 AAAI2026 上正式亮相发表（Zero-to-Hero: Empowering Video Appearance Transfer with Zero-Shot Initialization and Holistic Restoration）。AAAI 是人工智能领域最具影响力的国际顶级会议之一，旨在为研究人员、工程师与产业界专家提供交流平台，展示在机器学习、计算机视觉与生成式 AI 等方向的最新研究成果与应用进展。此次入选标志着阿里云人工智能平台 PAI 在视频编辑算法方面的研究获得了学术界的充分认可。
视频编辑的目标是根据用户需求对目标视频进行修改，其中“外观编辑”是一类关键任务：在尽可能保留视频结构与运动模式的前提下，改变目标主体的颜色、纹理或整体风格。过往主流方法多采用文本提示（prompt）引导编辑，但文本表达往往存在歧义，且难以精确描述细粒度外观（例如复杂配色、局部纹理布局等），从而限制了用户对编辑结果的精细控制。因此，更符合真实创作流程的方案是“参考图驱动的视频编辑”：用户先对某一帧进行精修，得到理想外观的参考图（可通过 Photoshop、ComfyUI 或任意图像编辑工具完成），再将该外观一致地传播到后续帧中（如图1所示）。这类任务天然地将问题拆解为两步：先获得高质量参考帧，再实现跨帧外观一致传播。
图1. 我们提出的视频编辑算法与主流方法的对比
尽管参考图驱动的视频外观传播已有不少探索，但现有方法仍面临明显局限。一类方法依赖光流估计来对齐并传播外观特征，其效果容易受到光流精度影响，在大幅运动、遮挡或复杂镜头变化下会明显退化；另一类方法基于图生视频（I2V）模型进行反演与去噪传播，但往往受显存限制约束视频长度，且轻量时序建模对大运动范围适应不足。此外，近年来一些零样本（zero-shot）外观迁移方法通过干预扩散模型的注意力机制实现跨帧传播，虽然能提升鲁棒性，但往往会引入复合画质退化，例如模糊、颜色缺失或过饱和等问题，并且这种退化会随着多帧传播而累积。
针对上述问题，PAI 团队提出了全新的两阶段方法 Zero-to-Hero，用于提升视频外观迁移的准确性、时序一致性与最终画质。Zero-to-Hero 将“外观传播”解耦为两个阶段：首先生成一个可靠的零样本传播初始化（Zero-Stage），再通过整体性视频修复模型提升画质（Hero-Stage）。图2展示了我们算法的整体框架。在 Zero-Stage 中，我们利用原始视频帧之间的对应关系来引导扩散模型的注意力传播，相比以往依赖光流或额外时序模块的方案，在处理大运动目标时更稳健，从而提供准确且时序一致的初始化结果。然而，对注意力机制的干预会带来难以避免的模糊与颜色缺失等退化。为突破这一零样本上限，我们进一步提出 Hero-Stage：训练一个面向退化模式的条件生成模型，对视频进行画质修复。
图 2：视频编辑过程示意图
如图3所示，Zero-to-Hero 在 Colorization 与 Blender-Color-Edit 两项可逐帧评测的任务上均取得最优结果（PSNR 分别达 28.21/26.76 dB，且 LPIPS 最低、SSIM 最高），同时在 General-Edit 上也在锚点帧指标与时序一致性（MS/SC）上整体领先，体现了更稳定的外观传播与更高的画质保真。
图 3：实验效果概览
如图4所示，在 General-Edit 数据集的定性对比中，Zero-to-Hero 能更准确地贴合参考帧外观，同时最大程度保持原视频的结构与运动一致性；相比基线方法，结果中外观漂移与细节模糊现象更少，整体观感更稳定。
图 4：Zero-to-Hero与其他方法编辑结果示例
论文信息
论文名字：Zero-to-Hero: Empowering Video Appearance Transfer with Zero-Shot Initialization and Holistic Restoration
论文作者：苏彤彤、汪诚愚、廖海鹏、黄俊、鲁东明
论文 pdf 链接：https://arxiv.org/abs/2505.23134
