Place-it-R1：用MLLM推理实现视频物体插入

MLLM 推理为视频物体插入提供物理合理性引导。

资讯摘要

论文提出 Place-it-R1，一个端到端视频物体插入框架，借助环境感知的 MLLM 推理判断物体与场景的交互及物理上合理的插入位置，并将推理结果转化为语义引导和逐帧空间引导，用于视频扩散生成。作者还提出 Spatial Direct Preference Optimization，用 MLLM 对候选排序，并把物理违规惩罚定位到插入物体区域。论文报告其在物理一致性和视觉自然度上优于现有方法，并称与商业系统结果相当。

要点速读

1. 论文用 MLLM 分析目标环境、推断物体与场景交互，并确定物理上有效的插入区域。
2. 推理结果被转化为语义引导与逐帧空间引导，供视频扩散模型使用。
3. 提出 Spatial Direct Preference Optimization，将物理违规惩罚限定在插入物体区域，并提供灵活与标准两种模式。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。