Wan-Animate-2 Base
参考图 + 驱动视频Base 40-step- 直接消费驱动视频，动作迁移路径短。
- 本样例动作幅度与动态表现最好。
- 2×H200 墙钟更快，但 GPU 总用量更高。
Offline evaluation report · 2026-09-04
3D 白模动作参考，如何生成更好的角色视频？
将同一类 3D 舞蹈动作放进 Wan-Animate-2 Base、SCAIL-2 与 MiniMax H3 Ref2VA，集中比较动作忠实度、人物与舞台稳定性、推理成本，以及 A–G 七种白模渲染策略。
同动作三栏对照：原始 3D / Wan Base 40-step / SCAIL-2 40-step
统一为 16fps、5秒和同一音轨。SCAIL 原始结果为77帧，对照版只克隆末帧补齐到80帧，没有修改已有生成帧。
统一外观参考
黑紫银演出服、高马尾、蓝紫霓虹舞台、固定正面全身构图。
动作表现：Wan幅度、头发动态和舞台光效更有表现力；快速帧会更糊。
人物稳定：SCAIL-2人物轮廓、服装锐度与舞台几何更稳；动作略偏收敛。
白模默认：E浅灰哑光人模 + 低频地板 + 平衡主辅光 + 固定世界相机。
三条技术路径并不等价
3D 动作147D / BVH / FBX
→
白模渲染材质、背景、地板、相机
→
条件编码RGB / mask / 软参考
→
角色视频身份、服装、舞台、动作
SCAIL-2
参考图/视频 + 双 maskUniPC 40-step- 显式 mask 更利于人物/背景条件分离。
- 本样例人物与服装更锐利、舞台更稳定。
- 单卡更省 GPU·小时，但墙钟时间较长。
MiniMax H3 Ref2VA
角色图 + 参考视频语义动作参考- 适合角色化、舞台化和同步音频生成。
- 不是逐帧骨骼控制，动作会被重新解释。
- 长窗口中，参考视频背景可能逐渐泄漏。
Wan Animate 2 vs SCAIL-2：同任务实测
| 指标 | Wan-Animate-2 Base | SCAIL-2 | 解释 |
|---|---|---|---|
| 正式配置 | BF16 Base，40 steps，CFG 3.0 | UniPC，40 steps，shift 3.0，CFG 5.0 | 均采用各自高质量路径 |
| GPU | 2×H200 | 1×H200 | 不能只看墙钟时间 |
| 冷启动总耗时 | 489.065 s | 738.969 s | Wan 墙钟快约 1.51× |
| 40-step 纯去噪 | 271 s / 6.79 s·step⁻¹ | 486 s / 12.17 s·step⁻¹ | Wan 墙钟快约 1.79× |
| 冷启动 GPU·小时 | 0.272 | 0.205 | SCAIL 少约 24.5% |
| 额外预处理 | 无单独 mask 阶段 | 44.634 s | SCAIL mask 可缓存复用 |
| 原始输出 | 824×464，16fps，80帧，5.0s | 832×480，16fps，77帧，4.8125s | SCAIL 遵循 VAE 时间长度约束 |
Wan-Animate-2 Base · 40 steps
动作更放开，头发与灯光动态更强；高速姿态的运动模糊更明显。
SCAIL-2 · 40 steps
已补齐到5秒并复用原音轨；人物轮廓与舞台更稳，动作幅度稍保守。
画质结论来自这一段 5 秒样例的播放与抽帧检查，不是统计性模型排名。
白模动作参考 A–G：什么样的渲染更有效？
A–G 使用同一段5秒动作、同一角色图、同一 H3 prompt、同一 seed；只改变白模材质、背景、地板、灯光和相机。所有 root payload 数值保持不变。
A · 棋盘格 + 跟随相机
7.4 / 10
动作可辨，但高频棋盘格污染视觉；相机跟随会抵消 root 位移。
B · 浅灰人模 + 深灰背景
8.1 / 10
轮廓更干净，但跟随相机仍弱化角色在世界中的平移。
C · 浅灰人模 + 固定相机
8.8 / 10
躯干朝向清楚，并保留原始 root 空间位移；无地板版本首选。
D · 深炭剪影 + 固定相机
7.7 / 10
外轮廓强，但身体内部体块和前后肢关系丢失。
E · 灰模 + 地板 + 平衡光
9.1 / 10
默认推荐脚底接触、体块、关节转折和 root 位移同时可读。
F · 灰模 + 地板 + 柔光
8.8 / 10
更亮但偏平，快速动作中的身体朝向不如 E 清楚。
G · 浅灰人模 + 纯白背景
8.2 / 10
不建议默认手指、脚踝和身体边缘对比下降。
黑底灰模 · 15秒
长窗更稳
没有白背景污染舞台；适合验证 H3 长时参考的背景泄漏问题。
A–D：材质、背景与相机
参考视频 2×2
左上 A，右上 B，左下 C，右下 D。
对应 H3 输出 2×2
C 在保留空间位移与完整全身之间最平衡。
E–F：地板与灯光
参考 E / F
左侧 E 为平衡主辅光；右侧 F 为更均匀柔光。
H3 输出 E / F
生成结果差距不大；E 的优势主要是参考动作本身更容易读。
C–G：深灰背景 vs 纯白背景
参考 C / G
纯白底没有让人模消失，但显著压低浅灰人模边缘对比。
H3 输出 C / G
G 可以生成，但动作还原没有超过 C，因此不应作为默认输入。
8秒受控复测：A 棋盘跟随 vs 黑底灰模固定相机
使用“新宝岛”源动作前8秒，并固定角色图、舞台图、prompt、seed 269052、时长和推理参数；唯一变化是动作参考的渲染。四宫格中左上为 A 参考、右上为黑底灰模参考、左下为 A 输出、右下为黑底灰模输出。
同动作、同角色舞台、同 seed 的同步对比
两组输出均为 1344×768、24fps、192帧、8.000秒。A 纯推理 648.222 秒；黑底灰模 647.811 秒，速度无实质差异。
| 观察项 | A · 棋盘格 + 跟随相机 | 黑底灰模 · 固定世界相机 |
|---|---|---|
| 动作一致性 | 动作可辨，但部分抬臂与手臂方向被平滑，存在轻微时序偏移。 | 更好。抬臂、抱头及中后段上肢姿态在抽帧中更贴近参考。 |
| 舞台保持 | 紫蓝舞台完整，8秒内没有棋盘格渗入；个别画面略亮。 | 紫蓝舞台同样完整，没有退化为黑底；构图与灯光稳定。 |
| 人物完整性 | 全身基本可见，身份与服装稳定。 | 全身基本可见，身份与服装稳定。 |
| 本轮选择 | 不作为两者中的首选。 | 若只在 A 与黑底方案中二选一，优先黑底灰模。 |
本轮结论：黑底灰模的主要优势是动作条件更干净、世界位移与肢体方向更容易读取；舞台生成质量与 A 基本打平。该结论来自单一动作和单 seed，不替代此前对 E/C 的独立比较。
15 秒长窗口：白背景为什么会污染舞台？
关键观察：H3 Ref2VA 把参考视频当作完整 RGB 软条件，而不是“只读取动作”的硬控制。15 秒纯白背景逐帧输入后，角色图的舞台约束在中后段变弱，输出逐渐被白背景覆盖。
纯白背景灰模 · 15秒参考
连续的大面积白色条件会与目标紫蓝舞台发生竞争。
纯白参考对应 H3 结果
前半段尚稳定，中后段出现白背景渗入、构图拉近和局部裁切。
灰色人模 + 绝对纯黑背景 · 15秒
上方为黑底动作参考，下方为对应 H3 生成结果。舞台全程保持稳定，没有退化为纯白或纯黑；人物基本保持完整全身。1344×768、24fps、15.083秒，纯推理约1764秒。
不要把“黑底”理解成所有场景下的绝对最优。5秒短动作中，E 的地板与平衡光能提供更完整的接触和体块信息；15秒长窗口中，纯黑背景更主要的价值是降低背景泄漏。生产流程仍建议拆成4–8秒短段，并在每段重新注入角色与舞台。
最终推荐：按模型选择白模输入
| 模型 | 推荐输入 | 最需要避免 | 适合目标 |
|---|---|---|---|
| Wan-Animate-2 | E 或 C；固定世界相机、全身、清晰体块 | 跟随相机抵消 root、密集棋盘格、裁脚 | 更强动作表现与直接驱动 |
| SCAIL-2 | E/C 驱动视频 + 正确 reference/driving mask | mask 语义错误、未统一 fps、前景边界不清 | 清晰人物、稳定舞台与显式区域控制 |
| MiniMax H3 | 短段默认 E；长窗优先黑/深灰低信息背景 | 长时纯白背景、复杂 RGB 场景、期待逐帧复刻 | 语义动作迁移、角色化舞台和同步音频 |
推荐白模规范
- 正常人体比例，稳定蒙皮，手掌、脚掌和关节轮廓完整。
- 浅灰哑光材质，保留柔和明暗，不使用镜面、透明或发光材质。
- 固定世界相机，保留 root 平移；视角与角色参考图尽量一致。
- 人物占画面高度约45%–65%，跳跃和侧移方向留足安全空间。
- 默认深灰/蓝灰低信息背景；避免高频棋盘格、文字和坐标轴。
- 加入无纹理低频地板与轻微接触阴影，帮助判断脚底接触。
- 使用平衡主辅光，避免完全打平，也避免遮挡肢体的单侧硬阴影。
- 恒定帧率、正常速度、一镜到底；复杂动作拆成4–8秒片段。
实验可比性与限制
Wan/SCAIL 是同一5秒任务的直接对比；H3 A–G 是另一组同参白模消融。H3 使用4×H200、50步、1344×768，速度口径为纯推理；不能把它与 Wan/SCAIL 的冷启动时间直接排名。A–G 分数来自单样例同步播放和抽帧人工观察，不是自动姿态误差。
可复现关键参数
Wan：Base BF16，40 steps，CFG 3.0，seed 252503。SCAIL：UniPC，40 steps，shift 3.0，CFG 5.0，seed 252503。H3 A–G：Ref2VA，50 steps，Lossless，flow shift 12，audio flow shift 3，seed 269031；输出均为1344×768、24fps、124帧。