ReCamMaster

上传一段视频，自由控制相机视角，生成全新运镜视频

ReCamMaster 是一个基于单段视频的相机控制生成式渲染工具，核心解决视频重渲染中相机视角无法自由控制的问题。它利用 4D 场景表示和生成式模型，从输入视频中重建动态场景，并允许用户指定新的相机轨迹（如平移、旋转、推拉），从而生成视角变化下的连贯新视频。该工具支持相机参数控制、动态场景建模，并保持内容一致性和时间连贯性，适用于影视后期、虚拟制作、3D 内容生成等场景。项目提供训练和推理代码，基于 Python 实现，技术栈涉及计算机视觉和视频生成。

开源 free 视频生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1874

维护状态低维护

是否开源是

定价模式 free

项目数据

分类视频生成

开发团队KlingAIResearch

所属国家

官网地址https://jianhongbai.github.io/ReCamMaster

GitHubhttps://github.com/KlingAIResearch/ReCamMaster

定价模式free

价格说明开源项目，MIT许可证，提供在线演示页面，可免费使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型4d,aigc,camera-control,computer-vision,video-generation

GitHub 星标★ 1874

30天Star增速

HF 下载量

上线时间2025-03-14 00:00:00

最近更新2026-09-22 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：高级约 30 分钟部署方式：本地安装 5 步

⚠ 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

项目介绍

ReCamMaster 是视频领域的开源项目，由 KlingAIResearch 开发，2025 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（1,874）位列前 30%，在视频分类的 472 个项目里位列前 13%。

近 45 天，它的 GitHub 星标从 1,848 增加到 1,874，净增 26。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-22。MIT许可证，提供在线演示页面，可免费使用。从国内网络环境看，可直接访问。

它主要面向的使用场景是：影视后期：从现有素材重新运镜，丰富镜头语言。同类可对比的替代方案包括 DynamicNeRF、HyperNeRF、Neural Scene Flow Fields。

上一篇：HunyuanPortrait

下一篇：MimicMotion