這項由ByteDance智能創(chuàng)作實驗室的陳卓偉、李炳川等研究人員主導的突破性研究，發(fā)表于2025年6月的arXiv平臺（論文編號：arXiv:2506.18851v1），有興趣深入了解的讀者可以通過項目主頁https://phantom-video.github.io/Phantom-Data/訪問完整資料。研究團隊歷經(jīng)數(shù)月努力，構(gòu)建了一個包含約一百萬個身份一致性配對樣本的大規(guī)模數(shù)據(jù)集，專門用于解決當前AI視頻生成領(lǐng)域最棘手的"復制粘貼"問題。

當前的AI視頻生成技術(shù)就像一個過分拘謹?shù)膶W生，雖然能夠準確記住參考圖片中人物或物體的樣子，但往往連背景、姿勢、甚至無關(guān)的細節(jié)都一并"照搬"過來。這就好比你想讓AI生成一段某位朋友在拳擊臺上揮拳的視頻，但因為參考照片是朋友在辦公室里的樣子，AI最終生成的視頻可能還是在辦公室環(huán)境中，完全忽略了你想要的拳擊臺場景。這種現(xiàn)象被研究人員稱為"復制粘貼"問題，嚴重限制了AI視頻生成的實用性和創(chuàng)造力。

傳統(tǒng)的訓練方法采用"同源配對"策略，即從同一個視頻中提取參考圖像和目標幀進行訓練。這種方法雖然能確保身份一致性，但也不可避免地讓AI學會了將身份特征與特定的背景、姿勢和環(huán)境綁定在一起。研究團隊敏銳地察覺到這個根本問題，提出了革命性的"跨情境配對"解決方案。他們的核心思想是讓AI學會在完全不同的場景中識別和保持同一個體的身份特征，就像人類能夠在不同環(huán)境中認出同一個朋友一樣。

一、突破傳統(tǒng)束縛：三階段數(shù)據(jù)構(gòu)建管道的精妙設計

研究團隊設計的數(shù)據(jù)構(gòu)建管道就像一個極其精密的三層篩選系統(tǒng)，每一層都有其獨特的功能和價值。這個系統(tǒng)需要從超過5300萬個視頻片段和30億張圖像的海量數(shù)據(jù)中，精準挑選出既保持身份一致又具有豐富情境變化的配對樣本。

第一階段被稱為"主體檢測與定位"，這個階段的工作類似于一個經(jīng)驗豐富的攝影師在人群中迅速識別拍攝對象。系統(tǒng)首先對每個視頻進行智能采樣，選擇開頭、中間和結(jié)尾三個關(guān)鍵幀，避免處理整個視頻帶來的計算負擔。接著，先進的語言模型會從視頻描述中提取關(guān)鍵的名詞短語，比如"人物"、"動物"、"產(chǎn)品"等，這些短語就像是尋找目標的"搜索關(guān)鍵詞"。

隨后，視覺語言模型會將這些文字描述與圖像區(qū)域進行精確匹配，就像在照片中圈出對應的物體。為了確保檢測質(zhì)量，系統(tǒng)會自動過濾掉那些模糊不清或者只顯示部分物體的區(qū)域，同時移除那些過小或過大的檢測框。最關(guān)鍵的是，系統(tǒng)還會進行"視覺語義再檢查"，確保檢測到的物體不僅在視覺上完整清晰，在語義上也與描述完全匹配。

第二階段"跨情境多樣化檢索"是整個系統(tǒng)的核心創(chuàng)新所在。研究團隊構(gòu)建了一個規(guī)模龐大的檢索數(shù)據(jù)庫，不僅包含所有訓練視頻中的主體實例，還額外加入了來自LAION數(shù)據(jù)集的30億張圖像。這種設計確保了系統(tǒng)能夠找到同一主體在截然不同環(huán)境中的表現(xiàn)。

針對不同類型的主體，系統(tǒng)采用了專門優(yōu)化的特征提取策略。對于人臉識別，系統(tǒng)使用廣泛認可的ArcFace編碼器來提取穩(wěn)定的身份特征。對于一般物體，系統(tǒng)采用在一致性圖像數(shù)據(jù)集上微調(diào)的CLIP模型來獲取身份保持的嵌入特征。而對于人體整體，系統(tǒng)會同時考慮面部特征和服裝外觀，通過特征拼接的方式構(gòu)建更全面的身份表示。

在檢索過程中，系統(tǒng)巧妙地設置了相似度的上下界限制。下界確保檢索到的候選者確實是同一身份，而上界則防止找到過于相似的重復樣本，這樣既保證了身份一致性，又確保了足夠的視覺多樣性。

第三階段"先驗引導的身份驗證"是質(zhì)量控制的最后一道防線。系統(tǒng)會根據(jù)不同主體類型采用相應的過濾策略。對于產(chǎn)品等非生命物體，系統(tǒng)會特別關(guān)注那些具有清晰可識別商標標識的樣本，因為這些標識在不同場景中通常保持一致，為身份驗證提供了可靠依據(jù)。對于人物和動物等生命體，系統(tǒng)會限制檢索范圍在同一長視頻的不同片段中，這樣既確保了身份一致性，又自然地獲得了場景和姿態(tài)的變化。

最終，系統(tǒng)還會使用視覺語言模型進行最后的一致性驗證，確保每一對樣本都同時滿足身份一致性和情境多樣性兩個關(guān)鍵要求。這個驗證過程就像有一位專業(yè)的質(zhì)檢員在仔細檢查每一對樣本，確保它們既是同一個體，又展現(xiàn)了足夠的環(huán)境差異。

二、數(shù)據(jù)特征分析：覆蓋真實世界的全方位多樣性

Phantom-Data數(shù)據(jù)集的統(tǒng)計特征展現(xiàn)了其在真實應用場景中的廣泛適用性。從視頻層面來看，數(shù)據(jù)集涵蓋了豐富的時長分布，其中一半的視頻長度在5到10秒之間，這個時長范圍恰好符合現(xiàn)代短視頻和社交媒體內(nèi)容的主流規(guī)格。視頻分辨率以720p為主體，占據(jù)了近60%的比例，這種分辨率在保證清晰度的同時也兼顧了計算效率，為實際應用提供了良好的平衡點。

數(shù)據(jù)集在運動復雜度方面也展現(xiàn)了均衡的分布特征。從相對靜態(tài)的場景到高動態(tài)的運動畫面，各種運動強度的內(nèi)容都有充分體現(xiàn)。這種分布確保了訓練出的模型能夠處理從靜物展示到激烈運動等各種場景需求。

從主體構(gòu)成角度分析，數(shù)據(jù)集中約72萬個樣本包含單一主體，如單個人物、產(chǎn)品或動物，而約28萬個樣本涉及多主體場景，支持復雜的多對象一致性建模。這種比例分配既滿足了單主體應用的主要需求，也為多主體場景提供了充足的訓練數(shù)據(jù)。

在主體類別的語義空間分布上，數(shù)據(jù)集呈現(xiàn)出與真實世界用戶需求高度吻合的特征。人物類別涵蓋了女性、男性、兒童等各種人群，動物類別包括了狗、鳥類等常見寵物和野生動物，人工制品類別則覆蓋了智能手機、汽車、筆記本電腦等現(xiàn)代生活中的常見物品。這種分布特征確保了數(shù)據(jù)集能夠支持廣泛的實際應用場景，從個人定制視頻到商業(yè)產(chǎn)品展示都能得到很好的支撐。

三、創(chuàng)新方法論：解決跨情境身份保持的技術(shù)挑戰(zhàn)

研究團隊在方法論層面的創(chuàng)新主要體現(xiàn)在對傳統(tǒng)訓練范式的根本性改革上。傳統(tǒng)的"同對訓練"方法就像讓學生只在一種環(huán)境中學習識別某個人，雖然在熟悉環(huán)境中表現(xiàn)完美，但一旦環(huán)境改變就容易出錯。而Phantom-Data采用的"跨對訓練"方法則像讓學生在各種不同環(huán)境中都練習識別同一個人，從而培養(yǎng)更強的泛化能力。

在具體的技術(shù)實現(xiàn)上，研究團隊對不同類型主體采用了差異化的處理策略。這種設計充分考慮了不同主體類型的固有特征差異。人臉識別領(lǐng)域經(jīng)過多年發(fā)展已經(jīng)相對成熟，因此系統(tǒng)直接采用了經(jīng)過大規(guī)模數(shù)據(jù)訓練的ArcFace模型來提取面部身份特征。這些特征在不同光照、角度和表情變化下都能保持相對穩(wěn)定。

對于一般物體的身份識別，挑戰(zhàn)在于如何在保持物體本質(zhì)特征的同時允許視角、光照和背景的變化。研究團隊選擇了在一致性導向圖像數(shù)據(jù)集上微調(diào)的CLIP模型，這種模型經(jīng)過特殊訓練，能夠更好地關(guān)注物體的內(nèi)在身份特征而非表面的環(huán)境因素。

人體全身的身份識別是最復雜的場景之一，因為需要同時考慮面部特征和服裝外觀。研究團隊采用了特征融合的策略，將面部身份特征與整體外觀特征進行拼接，形成更加全面和魯棒的身份表示。這種設計確保即使在服裝發(fā)生變化的情況下，系統(tǒng)仍然能夠通過面部特征維持身份一致性。

在檢索策略方面，研究團隊引入了雙閾值機制來平衡身份一致性和情境多樣性之間的關(guān)系。下閾值確保檢索到的候選樣本確實屬于同一身份，避免錯誤匹配帶來的訓練噪聲。上閾值則防止檢索到過于相似的樣本，確保有足夠的視覺變化來促進模型的泛化能力。這種設計就像在相似性和多樣性之間找到了一個最佳的平衡點。

四、先驗知識的智能應用：提升數(shù)據(jù)質(zhì)量的關(guān)鍵策略

研究團隊在數(shù)據(jù)質(zhì)量控制方面展現(xiàn)了深刻的領(lǐng)域洞察。他們認識到不同類型的主體在身份驗證方面有著本質(zhì)不同的特點和挑戰(zhàn)，因此采用了基于先驗知識的分類處理策略。

對于產(chǎn)品等非生命物體，最大的挑戰(zhàn)在于同類產(chǎn)品之間往往具有很高的視覺相似性。比如不同品牌的智能手機在整體外觀上可能非常接近，僅僅依靠視覺特征很難進行準確的個體識別。研究團隊的解決方案是重點關(guān)注那些具有明顯品牌標識的產(chǎn)品樣本。商標、Logo等標識性元素通常在不同場景中保持一致，為產(chǎn)品身份識別提供了可靠的錨點。這種策略大大提高了產(chǎn)品類主體的身份驗證準確性。

對于人物和動物等生命體，研究團隊采用了完全不同的策略。他們利用長視頻內(nèi)部的時間連續(xù)性來構(gòu)建跨情境樣本。在同一個長視頻中，主體的身份是天然一致的，但隨著時間推移，場景、姿態(tài)、表情等都會發(fā)生自然變化。這種方法巧妙地利用了視頻內(nèi)容的時間結(jié)構(gòu)，既保證了身份的絕對一致性，又獲得了豐富的情境變化。

最后的視覺語言模型驗證環(huán)節(jié)起到了質(zhì)量把關(guān)的關(guān)鍵作用。系統(tǒng)會對每一對候選樣本進行雙重檢查，既要確認它們確實代表同一個體，又要驗證它們之間存在足夠的情境差異。這個過程就像有一位經(jīng)驗豐富的專家在逐一審查每個樣本對，確保最終數(shù)據(jù)集的高質(zhì)量。

五、實驗驗證：全面超越傳統(tǒng)方法的卓越表現(xiàn)

為了驗證Phantom-Data的有效性，研究團隊設計了全面的對比實驗。他們選擇了開源領(lǐng)域表現(xiàn)優(yōu)異的Phantom-wan模型作為測試平臺，這是一個基于Wan2.1基礎(chǔ)架構(gòu)的13億參數(shù)視頻生成模型。所有實驗都采用相同的訓練和推理設置，確保了比較結(jié)果的公平性和可信度。

實驗評估涵蓋了三個核心維度，每個維度都反映了實際應用中的關(guān)鍵需求。主體視頻一致性評估使用了CLIP、DINO和GPT-4o等多種指標，全面衡量生成視頻中主體與參考圖像的身份匹配程度。文本視頻一致性評估采用Reward-TA指標，檢驗生成視頻與文本描述的語義對齊程度。視頻質(zhì)量評估則使用VBench套件的多個細分指標，包括時間穩(wěn)定性、運動流暢性、圖像質(zhì)量、背景一致性和主體一致性等方面。

對比實驗包含了四種代表性的訓練策略。傳統(tǒng)的同對訓練方法直接從同一視頻中采樣參考主體，這是目前最常用的基線方法。同對訓練加數(shù)據(jù)增強方法在傳統(tǒng)方法基礎(chǔ)上增加了空間和外觀變換，試圖通過增強技術(shù)緩解過擬合問題。面部跨對訓練方法使用面部級別的身份匹配進行跨視頻配對，代表了當前跨對訓練的主流做法。而Phantom-Data代表的全對象跨對訓練方法則是研究團隊提出的完整解決方案。

實驗結(jié)果展現(xiàn)了Phantom-Data方法的顯著優(yōu)勢。在文本視頻一致性方面，新方法取得了3.827的Reward-TA得分，相比傳統(tǒng)同對訓練的2.074得分有了大幅提升，甚至超過了同對訓練加數(shù)據(jù)增強方法的2.427得分。這個結(jié)果明確證明了跨情境訓練在提升文本遵循能力方面的有效性。

在視頻質(zhì)量的各個細分指標上，Phantom-Data方法也展現(xiàn)了全面的優(yōu)勢。時間穩(wěn)定性得分0.975，運動流暢性得分0.986，圖像質(zhì)量得分0.739，背景一致性得分0.948，主體一致性得分0.944，這些指標都達到或接近最佳水平。特別值得注意的是，新方法在顯著提升文本遵循能力的同時，并沒有犧牲主體身份一致性，DINO得分0.416和GPT-4o得分3.041都保持在競爭性水平。

定性比較結(jié)果更加直觀地展示了不同方法的差異。在"穿西裝的男人吃漢堡"這個測試案例中，傳統(tǒng)同對訓練方法生成的視頻基本重復了參考圖像的辦公室場景，完全忽略了"吃漢堡"這個關(guān)鍵動作描述。而Phantom-Data訓練的模型則成功生成了男人在餐廳環(huán)境中享用漢堡的自然場景，既保持了人物身份又完美遵循了文本指令。

六、消融實驗：深入解析各組件的貢獻價值

研究團隊進行了細致的消融實驗來驗證數(shù)據(jù)集設計中各個組件的具體作用。這些實驗就像拆解一臺精密機器，逐一檢驗每個零件的重要性。

主體多樣性實驗從僅包含人臉的基線數(shù)據(jù)集開始，逐步加入人體全身、動物、產(chǎn)品和多主體場景等不同類型的數(shù)據(jù)。結(jié)果顯示，每增加一種主體類型，模型在主體一致性和文本遵循能力上都有顯著提升。特別是加入人體全身數(shù)據(jù)后，DINO得分從0.354提升到0.401，Reward-TA得分從3.022躍升到3.726，顯示了數(shù)據(jù)多樣性對模型泛化能力的重要影響。

數(shù)據(jù)規(guī)模效應實驗比較了10萬樣本和100萬樣本兩種規(guī)模下的模型表現(xiàn)。結(jié)果表明，數(shù)據(jù)規(guī)模的增長帶來了全方位的性能提升，DINO得分從0.408提升到0.416，GPT-4o得分從3.090增長到3.175，Reward-TA得分從3.796上升到3.827。這些結(jié)果證實了大規(guī)模數(shù)據(jù)對于復雜視頻生成任務的重要性。

跨情境檢索策略的驗證實驗重點分析了時間采樣間隔和數(shù)據(jù)源多樣性的影響。實驗發(fā)現(xiàn)，從長視頻中選擇時間間隔更長的幀對能夠提供更豐富的視覺變化，有效促進模型的泛化能力。同時，將檢索范圍從純視頻數(shù)據(jù)擴展到包含圖像數(shù)據(jù)的混合數(shù)據(jù)庫，顯著提高了候選樣本的召回率和多樣性，特別是對于產(chǎn)品類主體具有明顯的改善效果。

先驗引導驗證的重要性通過對比實驗得到了充分證明。在沒有先驗過濾的情況下，系統(tǒng)經(jīng)常會包含視覺相似但語義不同的錯誤配對，比如將不同的產(chǎn)品錯誤地識別為同一個體。而引入先驗知識后，這類錯誤得到了顯著減少，數(shù)據(jù)質(zhì)量有了質(zhì)的提升。

身份驗證模塊的效果同樣顯著。實驗顯示，沒有最終驗證步驟的數(shù)據(jù)集往往包含過于相似的重復樣本或者身份不匹配的錯誤配對。而經(jīng)過視覺語言模型驗證的數(shù)據(jù)集在身份一致性和情境多樣性之間達到了更好的平衡，為模型訓練提供了更高質(zhì)量的學習信號。

七、用戶評價研究：真實使用體驗的客觀驗證

除了自動化指標評估，研究團隊還進行了用戶研究來獲取更貼近實際應用的評價反饋。六名參與者每人獨立評估了50組視頻，每組包含四種不同訓練策略生成的視頻。評價標準涵蓋整體視覺質(zhì)量、主體一致性和文本對齊程度三個核心維度。

用戶研究的結(jié)果為Phantom-Data方法提供了強有力的支持。在最佳視頻選擇中，基于Phantom-Data訓練的模型獲得了壓倒性的76%選擇率，而其他所有基線方法的選擇率都低于12%。這種巨大的差距表明，Phantom-Data方法在實際用戶體驗方面具有顯著優(yōu)勢，能夠生成更符合用戶期望和需求的視頻內(nèi)容。

用戶反饋還揭示了傳統(tǒng)方法的一些具體問題。許多參與者指出，傳統(tǒng)同對訓練方法生成的視頻經(jīng)常出現(xiàn)明顯的"復制粘貼"痕跡，背景和姿態(tài)與文本描述嚴重不符。而數(shù)據(jù)增強方法雖然在一定程度上緩解了這個問題，但生成的視頻往往顯得不自然，存在明顯的人工痕跡。相比之下，Phantom-Data方法生成的視頻在保持主體身份的同時，能夠自然地融入文本描述的場景，整體效果更加協(xié)調(diào)和真實。

八、技術(shù)創(chuàng)新的深層意義：重新定義視頻生成的訓練范式

Phantom-Data的技術(shù)貢獻遠遠超出了一個簡單的數(shù)據(jù)集。它代表了對傳統(tǒng)視頻生成訓練范式的根本性反思和重構(gòu)。傳統(tǒng)方法的問題在于將身份特征與環(huán)境因素強耦合，導致模型缺乏對不同情境的適應能力。而跨情境配對方法則通過解耦身份和環(huán)境信息，讓模型學會在變化的環(huán)境中保持身份一致性。

這種方法論的轉(zhuǎn)變具有深遠的理論意義。它揭示了當前視頻生成模型訓練中存在的一個根本性偏差，即過度依賴同源數(shù)據(jù)帶來的虛假關(guān)聯(lián)。通過強制模型在不同情境中學習身份保持，新方法促使模型關(guān)注真正的身份相關(guān)特征，而非表面的環(huán)境關(guān)聯(lián)。

在工程實現(xiàn)層面，Phantom-Data展示了如何在大規(guī)模數(shù)據(jù)處理中平衡自動化和質(zhì)量控制。整個數(shù)據(jù)構(gòu)建管道雖然高度自動化，但在關(guān)鍵環(huán)節(jié)引入了人工設計的先驗知識和多層驗證機制，確保了最終數(shù)據(jù)的高質(zhì)量。這種設計思路為其他大規(guī)模數(shù)據(jù)集的構(gòu)建提供了有價值的參考。

九、應用前景與產(chǎn)業(yè)影響：開啟個性化視頻創(chuàng)作新時代

Phantom-Data的成功為視頻生成技術(shù)的產(chǎn)業(yè)化應用開辟了新的可能性。在個性化廣告領(lǐng)域，品牌方可以使用少量產(chǎn)品圖片生成各種不同場景下的產(chǎn)品展示視頻，大大降低了視頻制作的成本和時間投入。在影視制作領(lǐng)域，導演可以使用演員的參考照片快速生成各種場景下的預覽視頻，為創(chuàng)意表達提供更直觀的工具。

教育內(nèi)容創(chuàng)作是另一個具有巨大潛力的應用領(lǐng)域。教師可以使用歷史人物的肖像生成各種教學場景下的互動視頻，讓抽象的歷史知識變得生動具體。在電商直播領(lǐng)域，商家可以使用產(chǎn)品圖片生成各種使用場景的展示視頻，提升用戶的購買體驗。

社交媒體內(nèi)容創(chuàng)作也將因此受益。普通用戶可以使用自己的照片生成各種有趣場景的短視頻，而不需要實際前往那些地點或購買相關(guān)道具。這種技術(shù)民主化了高質(zhì)量視頻內(nèi)容的創(chuàng)作，讓更多人能夠參與到創(chuàng)意表達中來。

十、技術(shù)挑戰(zhàn)與未來發(fā)展方向

盡管Phantom-Data取得了顯著成功，但研究團隊也清醒地認識到當前技術(shù)仍面臨的挑戰(zhàn)。身份一致性和情境多樣性之間的平衡仍然是一個需要持續(xù)優(yōu)化的問題。過度強調(diào)多樣性可能會損害身份保持的精確度，而過分關(guān)注一致性又可能限制模型的創(chuàng)造力和適應性。

數(shù)據(jù)規(guī)模的進一步擴展也面臨著計算資源和質(zhì)量控制的雙重挑戰(zhàn)。隨著數(shù)據(jù)集規(guī)模的增長，如何維持高效的檢索和驗證機制，如何確保數(shù)據(jù)質(zhì)量不因規(guī)模擴大而下降，都是需要解決的技術(shù)難題。

在多模態(tài)融合方面，目前的方法主要關(guān)注視覺身份的保持，但在實際應用中，聲音、動作習慣等其他模態(tài)的一致性同樣重要。未來的研究需要考慮如何將多種模態(tài)信息整合到統(tǒng)一的身份表示框架中。

倫理和安全考量也是不可忽視的重要方面。隨著身份保持技術(shù)的不斷完善，如何防止技術(shù)被惡意使用，如何保護個人隱私和肖像權(quán)，如何建立有效的內(nèi)容認證和溯源機制，都需要學術(shù)界和產(chǎn)業(yè)界的共同努力。

研究團隊表示，他們正在探索更加智能的數(shù)據(jù)構(gòu)建策略，包括使用強化學習來優(yōu)化檢索策略，引入對抗訓練來提升身份驗證的魯棒性，以及開發(fā)更加精細的質(zhì)量評估指標來指導數(shù)據(jù)集的持續(xù)改進。

歸根結(jié)底，ByteDance團隊的這項研究不僅為解決當前視頻生成技術(shù)的"復制粘貼"困境提供了有效方案，更重要的是為整個領(lǐng)域指明了一個全新的發(fā)展方向。通過重新思考訓練數(shù)據(jù)的構(gòu)建方式，他們證明了在保持身份一致性的同時實現(xiàn)豐富的情境變化是完全可能的。這種突破性進展為個性化視頻創(chuàng)作的普及奠定了堅實的技術(shù)基礎(chǔ)，也為AI視頻生成技術(shù)向更加實用和創(chuàng)造性的方向發(fā)展開辟了道路。

隨著這個大規(guī)模數(shù)據(jù)集的公開發(fā)布，整個學術(shù)和產(chǎn)業(yè)界都將從中受益。研究人員可以基于這個高質(zhì)量的數(shù)據(jù)集開發(fā)更先進的模型和算法，而開發(fā)者則可以利用這些技術(shù)創(chuàng)造出更加豐富和多樣的應用。這種開放共享的研究精神正是推動技術(shù)進步和產(chǎn)業(yè)發(fā)展的重要動力，也體現(xiàn)了研究團隊對促進整個領(lǐng)域健康發(fā)展的責任擔當。

Q&A

Q1：Phantom-Data數(shù)據(jù)集主要解決什么問題？ A：Phantom-Data主要解決AI視頻生成中的"復制粘貼"問題。傳統(tǒng)方法訓練出的AI往往會完全照搬參考圖片的背景和環(huán)境，無法根據(jù)文字指令生成新場景。比如你想讓AI生成朋友在海邊跑步的視頻，但參考照片是朋友在辦公室的樣子，AI可能還是生成辦公室場景，完全忽略"海邊跑步"的要求。

Q2：這個數(shù)據(jù)集和傳統(tǒng)訓練數(shù)據(jù)有什么不同？ A：最大的不同是"跨情境配對"策略。傳統(tǒng)方法是從同一個視頻中提取參考圖像和目標畫面，容易讓AI學會將人物身份與特定環(huán)境綁定。而Phantom-Data是從完全不同的場景中找到同一個體的圖像進行配對，讓AI學會在各種環(huán)境變化中保持身份識別能力，就像人類能在不同場合認出同一個朋友。

Q3：普通用戶能用上這項技術(shù)嗎？有什么實際應用？ A：雖然目前還是研究階段，但未來應用前景很廣泛。個人用戶可以用自己的照片生成各種場景的視頻，商家可以用產(chǎn)品圖片制作不同環(huán)境的展示視頻，教師可以用歷史人物肖像制作教學視頻。目前ByteDance已經(jīng)公開了這個數(shù)據(jù)集，相信很快就會有基于此技術(shù)的實用產(chǎn)品出現(xiàn)。