Problem

目前的影像轉影片技術主要依賴擴散變形器（DiTs），雖然能生成高品質影片，但其龐大的參數規模與多步迭代的去噪過程產生極高的運算負荷。這使得在資源受限的智慧型手機等行動裝置上，難以即時生成如子彈時間（Bullet Time）或伸縮變焦（Dolly Zoom）等複雜的電影級動態效果。

Method

研究團隊採用了三階段優化策略：首先，利用蒸餾引導的剪枝法（Distillation-guided pruning）衍生出保留核心生成能力的精簡模型；其次，結合擴散蒸餾與強化學習，將模型優化為僅需 4 步即可生成的快速產生器；最後，運用混合後量化（Post-training quantization）策略，將模型佔用空間壓縮至 1 GB 以下。

Results

實驗結果顯示，與 Wan 2.1 基礎模型相比，CineMobile 達到了 40 倍的生成加速，且維持優異的視覺品質。在聯發科天璣 8400 行動平台上，生成 49 幀 480p 影片總時長僅需 20 秒，峰值記憶體佔用僅 1.8 GB，證明了其在行動端的實用性。

Significance

這項研究克服了行動端影片生成的效能瓶頸，讓專業級的電影鏡頭特效不再受限於高階伺服器，大幅降低了高品質影片創作的硬體門檻，為行動裝置上的 AI 創作工具提供了具備商用潛力的技術路徑。