字节跳动发布了名为 DreaMontage 的帧引导视频生成技术，其核心在于实现“任意帧引导的一次性视频生成”，创建无缝的长镜头和复杂的场景过渡。

https://dreamontage.github.io/DreaMontage/

DreaMontage 核心功能：

• 多关键帧条件生成： 用户可以在视频的指定位置放置关键帧，模型将生成包含这些关键帧的视频
• 多视频片段过渡： 模型可以无缝连接多个视频片段，实现平滑的场景或主题过渡
• 混合条件生成： 允许用户在任意时间戳插入图像或视频片段，生成连贯过渡视频
• 末帧条件生成： 可以生成以给定图像作为最后一帧的视频。
• 视频扩展： 能够对现有视频进行内容和时长的扩展。

据介绍，DreaMontage 框架专为任意帧引导生成设计，能从多样化用户输入中合成无缝衔接、富有表现力且时长可控的单镜头视频。

据介绍，DreaMontage 通过三大维度攻克技术难点：

1. 在 DiT 架构中集成轻量级中间条件机制。通过采用有效利用基础训练数据的自适应调谐策略，我们实现了强大的任意帧控制能力。
2. 为提升视觉保真度与电影表现力，我们精心构建高质量数据集并实现视觉表达 SFT 阶段。针对主体运动合理性与过渡平滑度等关键问题，我们应用定制化 DPO 方案，显著提升生成内容的成功率与可用性。
3. 为支持长序列生成，我们设计出内存高效的分段自回归（SAR）推理策略。大量实验表明，该方案在保持计算效率的同时，可实现视觉震撼且无缝衔接的单镜头效果，赋能用户将碎片化影像素材转化为生动连贯的电影级体验。

论文地址：https://arxiv.org/abs/2512.21252