arXiv new; ECCV 2026; self-imagination video diffusion fine-tuning · P3 · 2026-06-30

SIFT：它和通用视觉自监督的关系在于：SIFT 让视频 diffusion 从自身生成样本中学习物理运动，属于自生成数据驱动的 video model 后训练

中相关；详见方法、贡献和实验边界。

SIFT: Self-Imagination Fine-Tuning for Physically Plausible Motion in Video Diffusion Models　arXiv new; ECCV 2026; self-imagination video diffusion fine-tuning　原文链接

编号2606.27741 优先级P3 类别arXiv new; ECCV 2026; self-imagination video diffusion fine-tuning 会议arXiv new; ECCV 2026; self-imagination video diffusion fine-tuning 方法SIFT 让视频 diffusion 从自身生成样本中学习物理运动，属于自生成数据驱动的 video model 后训练来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：SIFT 让视频 diffusion 从自身生成样本中学习物理运动，属于自生成数据驱动的 video model 后训练。中相关；详见方法、贡献和实验边界。

**Figureure 3 · : Pipeline comparison between traditional difusion model training (top**Fig. 3: Pipeline comparison between traditional difusion model training (top) and our proposed self-imagination fine-tuning (bottom).这张图概括 SIFT 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 7 · : Accuracy curves of motion classifiers during training of video gener**Fig. 7: Accuracy curves of motion classifiers during training of video generative model.这张图/表用于判断 SIFT 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：SIFT 让视频 diffusion 从自身生成样本中学习物理运动，属于自生成数据驱动的 video model 后训练。

方法拆解

SIFT 让视频 diffusion 从自身生成样本中学习物理运动，属于自生成数据驱动的 video model 后训练

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。