夜雨聆风你一定遇到过这种情况。
好不容易去了一趟景点，拍了一段超满意的视频。回来一看——背景里全是路人丙、丁、戊……
行，Pro级选手，打开AI消除工具，一顿操作猛如虎。
然后你发现：人是真的没了，但影子还在地上晃。
或者更离谱的：你本来想消除那个乱入的路人，结果AI给你把旁边的柱子"顺走"了，留下一块诡异的空白。
这还不是最绝的。
有时候视频里有人快速骑过自行车，你一帧一帧处理，结果第12帧到第15帧之间——车没了，但留下了一道幽灵般的残影，忽闪忽闪的，比鬼片还刺激。
一句话总结：现有方法，理论上很强，实践起来全是bug。
为什么AI视频消除总是"差点意思"？
很多人会问：AI都这么强了，怎么连个物体都消除不干净？
原因很简单——大多数论文里的"完美测试环境"，现实中根本不存在。
真实世界的视频有三个"不完美"：
第一，遮罩不完美。
你用SAM或者其他分割模型标出来的边界，边缘经常歪歪扭扭的。AI一看这遮罩，心里就犯嘀咕："这到底要我消除哪些？"
第二，运动不完美。
物体在视频里不可能匀速直线运动，总会有突然加速、减速、转弯的时候。传统方法逐帧处理，到了这些突变帧，分分钟"跟丢"目标。
第三，阴影不完美。
物体没了，影子还在。咖啡杯移走了，桌上还留着一圈阴影轮廓。你说这是消除成功了还是没成功？
小米大模型应用团队就是看到了这三个问题，花了大半年时间，搞出了今天要聊的SVOR（Stable Video Object Removal）。
SVOR是什么？一句话版本
小米提出的视频物体消除框架，专门在"不完美"的真实条件下稳定工作。
不是实验室里那种"控制变量完美条件下刷SOTA"的货色，而是直接拿到CVPR 2026物理感知视频实例消除挑战赛上，和17支队伍同台竞技，然后——拿了第一名。
它是怎么做到的？三个核心设计
1. MUSE：让快速运动不再"跟丢"
MUSE，全称Mask Union for Stable Erasure（遮罩联合稳定消除）。
这名字听着复杂，但原理很好理解。
传统方法处理视频的时候，每一帧单独看，物体在哪个位置就消除哪个位置。
问题来了：如果一个物体运动速度很快，第1帧在左边，第3帧在右边，第2帧刚好被跳过了怎么办？
MUSE的思路是：别单独看每一帧，看一个时间窗口内的整体。 在这个窗口里，把所有出现过物体的位置都标记上遮罩。
就像你用肉眼看快速移动的乒乓球，脑子会自动"脑补"它的运动轨迹，而不是只看某一帧的定格。
实测下来，MUSE可以让快速运动物体的消除成功率大幅提升，那些"一闪一闪"的问题基本消失。
2. DA-Seg：遮罩不准确？AI自己纠错
DA-Seg，全称Denoising-Aware Segmentation（去噪感知分割）。
这玩意儿相当于给系统装了一个"智能纠错机制"。
就算你标出来的遮罩边缘歪了、漏了一块，DA-Seg也能根据扩散模型的去噪过程，"猜"出物体真正的边界在哪里。
它不会去干扰主要的生成过程，只是默默提供更准确的定位信息。
简单说：遮罩不准不是你的错，SVOR帮你兜底。
3. 两阶段训练：先学走路，再学跑步
第一阶段：用真实背景视频做自监督学习，让模型学会"理解"正常场景应该长什么样。
第二阶段：用合成数据精调，专门训练"消除阴影和反射"这个技能。
这个策略叫什么？课程式学习（Curriculum Learning） ——先学简单的，再学难的。
结果就是：阴影没了，背景自然了，连"连人带影一键抹除"这种操作都能做到。
实测效果怎么样？
光说不练假把式。SVOR在多个标准数据集上刷到了SOTA水平。
更重要的是，在遮罩退化、运动突变这些"不完美条件"下，SVOR的稳定性远超现有方法。
简单翻译一下：别人在实验室里很牛，SVOR在真实场景里很能打。
总结一下：
视频物体消除这个赛道，从来不缺"论文SOTA"，缺的是"真实场景能打"的方案。小米SVOR这次做的事，说白了就是：正视现实中的不完美，然后解决它。不是搞一个"实验室里的完美方案"，而是让技术真正落地。视频编辑工具的下一波突破，说不定就从这里开始。
GitHub：https://github.com/xiaomi-research/svor
往期精选
比Claude Code便宜百倍！这个21K Star的终端Agent让DeepSeek生态闭环了！
4.6K Star的AI排版项目Kami，制定8条铁律，让AI排版直接起飞！
28.7K Star！开源版Claude Design来了，这次不用花一分钱！
GPT Image 2的免费平替！SenseNova U1：看图推理生图一条龙！
游戏开发要变天！说句话就能玩上自己设计的游戏！OpenGame让游戏开发门槛降到地板！
追踪AI前沿，深挖GitHub宝藏。
用优质内容陪你成长，
点击关注，携手启航。
