项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1896
使用教程
⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。
⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。
环境要求
- Python 运行环境（README 节选未给出具体版本要求）
- 可访问 GitHub 与 Hugging Face 的网络环境
- 存放视频生成模型权重与输入视频的本地磁盘空间（README 未给出容量要求）
- 能处理 1280x1280、81 帧视频的算力资源（README 仅给出视频配置，未说明硬件门槛）
安装与启动步骤
-
1克隆项目仓库
把 ReCamMaster 源码拉到本地，后续的安装与推理脚本都在仓库内。README 节选未给出仓库内目录结构说明。
git clone https://github.com/KlingAIResearch/ReCamMaster.git -
2进入项目目录
切换到克隆下来的仓库根目录，后续操作都在此目录内进行。
cd ReCamMaster -
3查阅官方安装说明
本次 README 节选未包含任何安装、依赖或推理命令，请打开仓库内 README 的安装/使用章节按官方步骤操作，不要自行猜测依赖包。
-
4准备输入视频
按 README 的视频配置准备素材：1280x1280、81 帧、15 FPS；宽高比可用 center crop 调整为 16:9、9:16、4:3 或 3:4 以适配你的视频生成模型。
-
5获取数据集（可选）
训练或对比实验可下载 MultiCamVideo-Dataset，入口在 README 顶部的 Dataset 链接，指向 Hugging Face 上的 KwaiVGI/MultiCamVideo-Dataset。
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
Resolution | 否 | README 给出的视频分辨率配置，属数据集/视频规格说明 | 1280x1280 |
Frame Number | 否 | README 给出的视频帧数配置，属数据集/视频规格说明 | 81 |
FPS | 否 | README 给出的视频帧率配置，属数据集/视频规格说明 | 15 |
Focal Length | 否 | README 列出的相机焦距可选值，用于指定新相机视角 | 18mm, 24mm, 35mm, 50mm |
Aperture | 否 | README 列出的相机光圈可选值 | 10.0, 5.0, 2.4 |
Sensor Height / Sensor Width | 否 | README 给出的相机传感器尺寸 | 23.76mm / 23.76mm |
如何确认成功
README 节选未提供启动或推理成功标志，请以仓库官方 README 中的推理命令输出结果文件为准。
常见问题
Q：安装依赖的命令是什么？
A：本次提供的 README 节选只包含论文信息、数据集统计和配置表，没有任何安装命令，因此本教程不编造 pip/conda 命令。请在仓库 README 的安装章节查看官方步骤。
Q：数据集在哪里下载？
A：README 顶部提供 Dataset 入口，指向 Hugging Face 的 KwaiVGI/MultiCamVideo-Dataset，包含 13,600 个动态场景、每场景 10 个相机、共 136,000 段视频。
Q：输入视频有什么规格要求？
A：README 的视频配置为 1280x1280 分辨率、81 帧、15 FPS；可用中心裁剪把宽高比调整为 16:9、9:16、4:3 或 3:4 以适配你的视频生成模型。
Q：如何指定新的相机轨迹？
A：README 列出的相机配置包括焦距 18/24/35/50mm、光圈 10.0/5.0/2.4、传感器 23.76mm×23.76mm，具体传参方式需查阅仓库 README 或代码。
Q：训练代码怎么跑？
A：项目提供训练和推理代码，但本次 README 节选未给出任何训练命令与参数，请以仓库内官方说明为准。
注意事项
- 本次 README 节选缺少安装与运行章节，因此除 git clone 外未编写任何命令，confidence 为 low。
- 配置表中的分辨率、帧数、FPS、相机参数来自 README 的数据集统计，不代表可直接修改的运行参数。
- 请以官方 GitHub 仓库和项目主页 https://jianhongbai.github.io/ReCamMaster 的最新说明为准。
核心亮点
- 支持从单视频生成多视角视频，显著降低多视角采集成本
- 相机控制精细，可指定轨迹生成连贯运镜，适合专业创作
- 基于 4D 场景表示，动态场景渲染效果优于传统方法
不足之处
- 生成视频分辨率可能受限于训练数据，高分辨率支持待验证
- 对输入视频质量敏感，复杂场景下可能出现伪影
- 文档/社区待观察
适用场景
- 影视后期：从现有素材重新运镜，丰富镜头语言
- 虚拟制作：为单目视频生成多视角内容，辅助三维场景构建
- 内容创作：为短视频或广告生成动态相机效果，提升视觉冲击力
替代项目
DynamicNeRF、HyperNeRF、Neural Scene Flow Fields
上一篇：HunyuanPortrait
下一篇：MimicMotion
同类项目推荐
DiffuEraser
开源
上传视频和掩码，一键移除物体，修复结果自然连贯。
DiffuEraser is a diffusion model for video inpainting, which performs great content ···
Efficient4D
开源
一段单视角视频，快速生成可动的 3D 物体
[IJCV 2026] Efficient4D: Fast Dynamic 3D Object Generation from a Single-view Video
forge-film
开源
把电影场景拆成并行任务，用关键路径调度，生成速度翻倍
Multi-model DAG-driven parallel AI film generation — parallel speedup scales with s···
flux-3-video-api
开源
一行 Python 代码，调用 FLUX 3 生成带声音的视频
Python wrapper for Black Forest Labs' FLUX 3 video API — Text-to-Video and Image-to···
Cassette
开源
输入文字，自动生成30秒竖屏解说短视频
Cassette is designed to create 30-second explanatory videos suitable for Instagram R···
Video-Motion-Customization
开源
给视频生成装上运动控制器，让动作随你定制
VMC: Video Motion Customization using Temporal Attention Adaption for Text-to-Video ···
ReCamMaster
开源
上传一段视频，自由控制相机视角，生成全新运镜视频
[ICCV'25 Best Paper Finalist] ReCamMaster: Camera-Controlled Generative Rendering fr···
FFAIVideo
开源
输入主题，AI 自动生成短视频，省时省力。
A node.js project that generates short videos using popular AI LLM.
unified_video_action
开源
一个模型同时生成视频和动作，让机器人看得懂未来、动得准。
Official PyTorch Implementation of Unified Video Action Model (RSS 2025)