一句话结论
MotionEditor 用 source-aware pose adapter、双分支 foreground/background attention injection 和骨架对齐，把 reference human motion 迁移到源视频并保外观；20-case 指标与人评领先，但基线多为改装、缺 motion-specific metric，且每视频 one-shot training + inversion 约需 A100 10 分钟。
输入、输出与方法
- 输入 source video、reference video/skeleton sequence、source/target prompts；输出源人物外观和动态背景尽量不变、动作匹配参考的视频。
- 每源视频 one-shot 训练 U-Net temporal attention 与 content-aware motion adapter；adapter 用 pose query 对 source latent key/value cross-attention，并结合 temporal attention/conv。
- 推理跑 reconstruction/editing 两分支；source segmentation mask 把重建分支 $K,V$ 分前景/背景，再注入 editing decoder，保身份与背景。
- Consistent-Sparse Attention 使用 previous+current frames，不用 first-frame anchor，避免新动作被拉回源首姿态。
- reference skeleton 仅按 bounding-box scale 与前景中心 translation 对齐。
- 架构是 Stable Diffusion latent U-Net + ControlNet，不是 DiT；属于 reference-driven human motion editing，不是动作理解或从零视频生成。
数据、指标与成本
- YouTube + TaichiHD，每视频至少 70 帧，$512^2$；量化为 20 个 in-the-wild cases。
- one-shot 300 steps，LR $3\times10^{-5}$；DDIM inversion + null-text optimization；单 A100 约 10 分钟/视频。
- 未报告训练 wall-clock、显存、参数量、inversion/null-text steps 或总 GPU-hours。
| 方法 | CLIP↑ | LPIPS-S↓ | LPIPS-N↓ | LPIPS-T↓ |
|---|---|---|---|---|
| Tune-A-Video | 27.71 | 0.345 | 0.169 | 0.157 |
| Follow-Your-Pose | 26.55 | 0.337 | 0.144 | 0.183 |
| FateZero | 28.07 | 0.308 | 0.176 | 0.124 |
| MotionEditor | 28.86 | 0.273 | 0.124 | 0.082 |
LPIPS-S 测 edited-source，LPIPS-N 测相邻帧，LPIPS-T 把长视频两段当 source/reference 后测 edited-reference；都不是纯 skeleton motion accuracy，低值也可能奖励保守或平滑输出。
人评与公平性
- pairwise 问 motion alignment、source appearance alignment、text alignment，共 20 cases；参与者“主要为大学生”，人数/票数/显著性未报告。
- 相对 FateZero，偏好 MotionEditor 为 78.9% / 74.5% / 74.7%；相对其他基线多达 85–99%。
- LWG/MRAA 只接单张源图，天然不能保动态背景；Follow-Your-Pose/ControlVideo 被改为接 inverted latent；Tune-A-Video/MasaCtrl/FateZero 被额外加 ControlNet。比较可用但不是原生同任务 benchmark。
消融、失败与边界
- 去 CS Attention、adapter cross-attention、整个 adapter、high-fidelity injection 或 skeleton alignment 都在定性图中退化；没有数值消融。
- 失败例是手与背景 latent 混淆；segmentation 只在 attention 注入阶段解耦，没有在 denoising 前彻底 factorize。
- scale+translation 对齐不能处理视角、体型比例、遮挡、速度和 limb correspondence。
- 面向单人体骨架，不能外推到动物、非刚体、多主体交互、相机 motion edit 或文本动作规划。
- 无 face-ID、re-ID、背景区域 LPIPS、pose PCK/velocity/DTW；“身份”和“动作正确”证据仍依赖代理指标与主观结果。
对当前 Wiki 判断的影响
- 对 视频编辑：明确区分 motion editing 与 appearance editing，并提供 reference-pose 接口。
- 对 扩散模型：展示 U-Net/ControlNet 可通过 source-aware adapter 与双分支 attention 缓和 pose-control 和 inverted source 的冲突，但推理重且需 per-video optimization。
- 对 视频编辑理解 与 benchmark 问题：“content-aware”是 latent cross-attention，不等于动作语义理解；缺 motion-specific metric 是关键 benchmark 缺口。
证据评级
B-（新任务与结果有价值，但小样本、基线改装、缺 motion-specific metric 和高成本限制证据）。