Notes
指出数据构造的核心问题：直接从视频取 subject 会与背景纠缠（复制粘贴顽疾）。贡献是证明解纠缠后指令遵循更好。三阶段构建：主体检测 → 跨上下文检索 → 身份验证。
学完以后，我能否回答这些问题？
- 这篇论文真正优化的目标是什么？训练信号从哪里获得？
- 它的核心机制相对基线新增了什么？主要收益在什么条件下成立？
- 哪些结论有实验支持，哪些迁移到我的研究还需要验证？
建议不看正文先回答，再回到相关章节核对。这里不自动判定「已读」。
论文笔记 约 1 分钟阅读
Phantom-Data
Phantom-Data: Towards a General Subject-Consistent Video Generation Dataset
面向视频生成的训练数据构建与使用
阅读设置