Problem

現有的多步生成式算圖模型在進行攝影機控制時，容易受離散化誤差影響，導致在不同採樣步數下出現不一致的控制效果。此外，去噪軌跡的高曲率也增加了後續模型蒸餾的難度，使得在追求少步數快速採樣時，難以兼顧影像品質與幾何準確度。

Method

研究團隊開發了 RETA（表示轉換與對齊）技術，將來源影片的隱藏表示與目標特徵對齊，確保攝影機控制的一致性。接著，在 RETA 誘導的低曲率去噪軌跡上採用 MeanFlow 目標函數進行微調，最後結合「在線流圖蒸餾」（On-policy flow map distillation）技術，修正固定少步數採樣下的自我捲積誤差。

Results

實驗證明 FlashRender 能以低於基準模型 25 倍的採樣成本，達成同等級甚至更優異的影片品質與幾何一致性。即使面對超出訓練分布範圍（Out-of-distribution）的攝影機軌跡，該模型仍展現出卓越的操控穩定性與視覺保真度。

Significance

這項研究為高效能神經算圖領域帶來重大突破，將複雜的影片重渲染過程縮短至數秒內完成。其針對幾何一致性的改進與對採樣軌跡曲率的處理，為未來需要即時、高品質攝影機操控的虛擬製片、視覺特效與數位內容創作提供了關鍵的技術基礎。