Quadros iniciais compostos para vídeos de produto em prato giratório com enquadramento definido pelo usuário em um modelo de vídeo comercial: um estudo de caso exploratório
- Autor
- RefVid
- Publicado
- DOI no Zenodo
- 10.5281/zenodo.24288649
Status: estudo de caso exploratório de engenharia; nenhuma avaliação controlada foi realizada (a Seção 11 descreve a que está planejada).
Sumário
- Resumo
- 1. Introdução
- 2. Termos
- 3. Como se chegou ao método
- 4. Método final
- 5. Sombreamento do quadro 0: fundo e sombra do produto
- 6. O que o sistema determina e o que não determina
- 7. Avaliação exploratória
- 7.1 Natureza das evidências
- 7.2 Linha de base: clipes entregues sem quadro inicial composto
- 7.3 Clipes de produção com o quadro inicial composto
- 7.4 Alterações de métricas declaradas
- 7.5 Fidelidade ao layout da imagem inicial entre as execuções
- 7.6 Deriva do enquadramento durante o giro e o quadro inicial composto como imagem final
- 7.7 Comparação retrospectiva
- 8. Comparação com alternativas
- 9. Trabalhos relacionados
- 10. Limitações
- 11. Avaliação planejada (trabalho futuro)
- 12. Conclusão
- Referências
- Apêndice A. Prompt tal como montado (v9, Kling 4, Enquadramento personalizado, rotação Auto, sentido horário)
- Apêndice B. Configurações dos clipes avaliados
- Nota do autor
Resumo
Descrevemos uma interface de enquadramento de produtos no navegador que combina layout normalizado da área de apoio, recortes das fotos de referência, condicionamento pelo primeiro quadro de um modelo de vídeo comercial (Kling 4 reference-to-video, acessado via fal.ai) e pausas determinísticas nas extremidades. A tarefa veio de um fabricante europeu de móveis com um catálogo de cerca de 2,000 produtos, que queria vídeos de prato giratório em 360° gerados a partir de três ou quatro fotos comuns do produto e apontou três defeitos que impediam a adoção: nenhum controle sobre o tamanho e a posição do produto na plataforma, partes do produto passando sobre a borda da plataforma durante o giro e um salto visível no ponto em que o loop recomeça. A interface permite ao usuário definir quatro parâmetros de layout, mostra uma prévia da composição, rasteriza-a (sem as guias da interface) como imagem inicial do clipe e, após a geração, acrescenta no navegador quadros parados antes e depois do giro. Antes disso foram testados controle apenas por texto, instruções numéricas de layout e âncoras de início e fim em um modelo anterior (Seção 3). Em testes exploratórios e não cegos, o primeiro quadro gerado seguiu aproximadamente o layout composto de produto e plataforma em 6 de 7 clipes do Kling 4 (todos os 6 com um prato giratório de sombreamento fotográfico, 0 de 1 com um disco desenhado plano); isso é fidelidade ao layout, não fidelidade ao quadro inteiro: nos quatro clipes de produção, o fundo desenhado foi mantido em 3 de 4, e o modelo o substituiu no clipe da poltrona. Nesses quatro clipes, com configurações deliberadamente diferentes, nenhuma parte do produto foi vista sobre a borda da plataforma nos quadros amostrados, e a diferença relatada entre o primeiro e o último quadro foi baixa. Essas observações são animadoras, mas pequenas, adaptativas, em parte não reproduzíveis de forma independente, e não estabelecem uma taxa de sucesso, uma escala física entre produtos, a permanência no prato durante todo o giro nem um loop sem emenda. O controle de tamanho normaliza a área de apoio de cada produto em relação à plataforma; não impõe uma escala física comum. O cliente então comentou os quatro clipes (fundo, espessura e posição da plataforma e uma sombra redonda sob o sofá de canto); o quadro 0 foi revisado com um fundo de estúdio ajustado e a sombra do próprio produto no chão, extraída de sua foto em fundo branco, no lugar de uma elipse desenhada (Seção 5). Seis clipes posteriores com o fundo cinza ajustado e configurações fixas (Seção 7.6) acrescentaram mais uma observação: só com a imagem inicial, a câmera avançou continuamente ao longo de um clipe da cama até o prato sair do quadro, enquanto quatro outras peças mantiveram o enquadramento composto em todos os quadros amostrados a cada 0.5 s (medições do operador); uma repetição da cama com o mesmo quadro composto enviado também como imagem final manteve o enquadramento e deu um giro completo. A tomada só com imagem inicial derivou e a tomada condicionada no início e no fim não; o efeito da intervenção e a origem da variação continuam desconhecidos. Ainda assim, o envio do quadro composto como imagem final foi implementado e publicado na mesma noite (Seção 4.4): com Rotação Auto ou 360°, ele agora é enviado automaticamente. Trata-se de uma decisão de engenharia, não de uma demonstração do efeito. Um segundo par, aproximadamente equivalente, feito depois, com uma poltrona verde a 720p, configurações de resto idênticas e a imagem final acrescentada pelo caminho automático, mostrou a mesma diferença: a tomada que presumivelmente levava só a imagem inicial (a ausência da imagem final é inferida do momento e do estado da página, não lida na requisição) avançou até o prato sair do quadro, e a tomada com início e fim manteve o enquadramento e deu um giro completo. Dois pares com uma tomada por braço não estabelecem o efeito. Dois clipes, um com e outro sem a imagem final, chegaram à pose frontal 1–1.5 s antes e depois ficaram quase parados, alongando a pausa visível; dos dois clipes início = fim, um atingiu o limiar de chegada antecipada e o outro não, de modo que a relação com a imagem final continua incerta. Cinco dos seis clipes foram enviados ao cliente, cujo veredito não foi recebido. As variantes de sombreamento da Seção 5 não foram comparadas.
1. Introdução
1.1 Problema e necessidade do cliente
Entrada: três ou quatro fotos de catálogo de um produto sobre fundo branco (a frontal primeiro) e um tipo de produto (sofá, poltrona, sofá de canto, pufe, cama, outro). Saída: um vídeo curto do produto dando uma volta em um prato giratório redondo de estúdio, com câmera fixa, em 1:1, 9:16 ou 16:9.
O cliente, um fabricante europeu de móveis, havia feito vários clipes em prato giratório em uma plataforma de vídeo com IA de autoatendimento e afirmou que consideraria usá-la para uma parte significativa de uma coleção de cerca de 2,000 produtos se os resultados fossem consistentes e a apresentação pudesse ser controlada. Seus requisitos, resumidos a partir da correspondência:
- R1. Controle de tamanho e posição antes da geração, consistente em toda a coleção. O usuário visualiza e ajusta a escala e a posição do produto na plataforma, e as peças mantêm proporções consistentes entre os vídeos. O cliente descreveu sofás grandes demais para a plataforma, com pés além das bordas, sofás pequenos demais e uma poltrona que parecia correta sozinha, mas fora de proporção ao lado de sofás de outros vídeos. O pedido foi repetido em duas rodadas posteriores de feedback.
- R2. Permanência no prato. Todas as partes do produto permanecem na plataforma durante todo o giro (levantado a respeito de um sofá de canto cujo pé traseiro ultrapassou a borda no meio do giro).
- R3. Loop. Nenhum salto visível no ponto em que o giro recomeça; opcionalmente, uma pausa de cerca de 2 s após o giro.
- R4. Rotação suave, sem saltos entre quadros, levantado a respeito da reprodução lenta no player (0.5×). Velocidade angular constante nunca foi solicitada.
- R5. Amplitude de rotação diferente de 360° (270° e um vaivém: a partir da frente, 90° para um lado, de volta à frente e depois 90° para o outro lado).
- R6. Composição por formato para 9:16, 16:9 e 1:1 em vez de recorte do quadro, que o cliente considerou insuficiente para peças grandes, como sofás, sofás de canto e camas.
Este relatório trata de R1–R3; R5 e R6 entram onde afetam o projeto.
1.2 Por que isso é difícil em um endpoint comercial
As fotos chegam ao modelo como referências, não como uma imagem da cena. O próprio modelo desenha o prato giratório, seu tamanho e posição, a distância da câmera e o tamanho do produto, e cada clipe é gerado de forma independente. O esquema da fal para o Kling 4 reference-to-video [19] lista prompt, multi_prompt, duration, start_image_url, middle_image_urls, end_image_url, image_urls, video_urls, elements, voice_ids, resolution e aspect_ratio; nenhum parâmetro exposto transmite pose da câmera, sentido de rotação, escala física, semente ou guidance. Requisitos geométricos, portanto, só podem ser expressos em palavras ou em imagens. Não fazemos nenhuma afirmação sobre os mecanismos internos do modelo proprietário.
1.3 Contribuição
Uma integração de engenharia e um estudo exploratório de implantação, não um novo método de geração de vídeo:
- Um compositor no navegador que posiciona o recorte do próprio produto sobre um prato giratório desenhado e sombreado de forma fotográfica, segundo quatro parâmetros definidos pelo usuário, com a sombra no chão extraída da própria foto do produto (Seção 5), mostra uma prévia e o envia como imagem inicial do clipe (nas voltas completas, agora também como imagem final, Seção 4.4), junto com as referências de múltiplas vistas e um prompt estruturado.
- Um pós-processamento determinístico no navegador que acrescenta quadros estáticos nas extremidades (pausas) ao clipe gerado.
- Um relato das alternativas que falharam (redação do prompt, texto numérico de layout, âncoras de início e fim e clipes encadeados em outro modelo, um conjunto de referências de múltiplas vistas gerado) e dos limites de confiabilidade que continuam em aberto.
2. Termos
- Produto: um item do catálogo (SKU). Formato: o tipo de produto escolhido na interface, que traz uma área de apoio genérica W × D em cm (Seção 4.3).
- Elemento: o conjunto de fotos de um produto enviado ao modelo como referências do objeto (uma imagem frontal mais imagens de referência).
- Quadro inicial composto: o PNG que o navegador renderiza a partir do compositor e envia como
start_image_url. Prévia: a mesma composição na tela, com um anel-guia tracejado que o quadro inicial composto omite. - Primeiro quadro gerado: o primeiro quadro decodificado do clipe que o modelo retorna.
- Clipe original: o MP4 tal como retornado pelo provedor. Clipe com pausas: o MP4 após o pós-processamento no navegador (pausas acrescentadas, clipe inteiro recodificado).
- Tamanho: o valor do controle deslizante (30–100%), isto é, o ponto da área de apoio do produto mais distante do eixo de rotação, como porcentagem do raio do disco. Nas equações, s = tamanho / 100, uma fração.
- Fidelidade ao layout: o primeiro quadro gerado mostra o produto e a plataforma aproximadamente no tamanho e na posição compostos, segundo avaliação visual. Manutenção do fundo: o primeiro quadro gerado mantém o fundo composto. As duas são relatadas separadamente; nenhuma delas equivale a uma correspondência do quadro inteiro.
- Prompt v9: a versão do texto do prompt. Receita fixada: a combinação de quadro inicial composto, prompt v9 e pausas no navegador adotada após os testes locais da Seção 3.
- Operador: o membro da equipe que gerou e mediu os clipes posteriores; "relatado pelo operador" indica valores cujos arquivos de medição não fazem parte das evidências que pudemos reverificar.
3. Como se chegou ao método
3.1 Narrativa
Ponto de partida. As primeiras tentativas do próprio cliente foram cinco clipes em três modelos, feitos a partir de capturas de tela de uma loja virtual no celular (com barra de status, barra de endereço e barras de ferramentas, o móvel pequeno em uma imagem branca e alta; dois conjuntos também continham fotos de detalhe em close). Examinados à razão de um quadro a cada 0.5 s, dois dos três clipes do Kling 4 já mostravam voltas completas e limpas; os problemas eram o tamanho no prato (um sofá tão largo quanto o prato ou mais largo, uma poltrona preenchendo o quadro como um sofá preencheria, uma cama minúscula em um prato grande), a consistência entre as peças, uma cama que oscilava para um lado só e, em um clipe, um corte para um close do braço com número de pés variável. Atribuímos o corte para o close às fotos de detalhe; essa é uma leitura de um único clipe, não uma causa testada. As entradas passaram então a ser preparadas recortando as capturas de tela em torno do móvel com cerca de 8% de margem e deixando de lado os closes de detalhe. Nos exemplos de modelo da própria plataforma, um clipe de sapato (Kling 3.0 Omni) oscilou cerca de 75° e voltou, e um clipe de uma figura girou cerca de 270° e cortou para um close, embora o prompt pedisse 360° completos. Nos clipes inspecionados, o enquadramento da câmera era estável dentro de cada clipe (largura do prato de 80.9–81.1% do quadro; a borda superior do produto variou 1.9%, o centro 3.3%), o que sugeria o quadro 0 como ponto de controle. Um recorte central 9:16 de um clipe 1:1 cortou até 28.3% do produto (R6). Todos os clipes que medimos tinham 24 fps (Kling 4, Kling 3.0 Omni, PixVerse C1). Tomou-se inicialmente a decisão de não implementar controle manual de tamanho e posição e de confiar nos padrões do prompt; ela foi revertida mais tarde.

Prompt v1: configuração de rotação e padrões de enquadramento. Uma configuração de Rotação e padrões compostos no servidor ("the whole product stands fully on the turntable … centred … fills most of its surface; the camera is locked off") foram implantados sem teste controlado. "Fills most of its surface" faz com que todo produto preencha o prato, o que contradiz a segunda metade de R1. A proposta original para esta etapa já era compor o primeiro quadro, com uma opção separada para uma escala física comum (uma largura fixa do prato em cm e a largura real de cada produto); esta última não foi implementada.
Reprodução lenta suave e amplitude de rotação por edição (testes locais). A interpolação de quadros (ffmpeg minterpolate) reduziu o erro em quadros retidos para validação em cerca de 4× em relação à simples meia velocidade, com artefatos onde partes se cruzam; a saída interpolada foi rejeitada, e a resposta a R4 passou a ser um clipe mais longo na taxa de quadros nativa do modelo. Para R5, o Vaivém e os 270° foram recortados de um clipe de 360° existente, sem nova geração: as junções no retorno eram limpas (0.90–0.91× um passo normal entre quadros), mas a junção de volta à vista frontal saltava 2.28× um passo normal e exigiria o quadro de melhor correspondência e uma mescla de 2–3 quadros; além disso, recortar uma amplitude só funciona em um clipe que realmente gira 360° de forma contínua, o que o modelo não garantia. A amplitude de rotação foi lançada como uma frase no prompt, e a sequência em movimento continua sendo gerada pelo modelo desde então.
Versões de prompt v2–v8. As v2–v7 foram propostas e rascunhos, não geradas. A v8 foi testada em produção: uma cama com Vaivém (Kling 3.0 Omni), um sofá azul (Kling 3.0 Omni e Kling 4), um sofá creme e uma poltrona verde (Kling 4), 720p, 10 s, 1:1 (Figura 2). As instruções numéricas (5% de folga no prato, 5% de margem no quadro) não foram seguidas por nenhum dos modelos; o Kling 3.0 Omni desenhou um prato grande e o Kling 4 um prato mais largo que o quadro. A mesma frase "first reference orientation as 0°" foi seguida no sofá azul (Kling 4) e não na poltrona, que começou pelas costas. As seis fotos de referência do sofá creme mostravam duas configurações do mesmo sofá, e o vídeo trocou de configuração no meio do giro; referências inconsistentes são um fator plausível para esse tipo de mudança. Uma tomada posterior da poltrona (T4b), com as fotos reduzidas de cinco para quatro (frente, lateral, traseira em três quartos, traseira), todas colocadas no elemento com a frontal como imagem frontal, começou pela frente e deu uma volta completa e contínua de volta à frente. A explicação provisória registrada na época foi que, na tomada anterior, a quinta foto (traseira) havia sido encaminhada como imagem de referência separada, e não dentro do elemento. Um único par de clipes; não é conclusivo, mas sugere que o encaminhamento das referências, e não apenas a obediência à frase, afetou a pose inicial.

A coleção do cliente. O cliente enviou então cinco peças (poltrona 85 × 85 × 82, sofá 240 × 94 × 82, pufe 105 × 60 × 47, sofá de canto 240 × 200 × 82, cama 210 × 163 × 123 cm) com 3–4 fotos cada, 16 no total, e uma ficha de dimensões. Todas são recortes sobre branco com cerca de 1200 × 800 px; as fotos do pufe são renderizações 3D, com o pufe ocupando apenas cerca de 45% do quadro; poltrona, sofá e cama não têm vista traseira reta (poltrona e sofá têm uma vista traseira em três quartos; a cama não tem vista da parte de trás da cabeceira); as fotos do sofá de canto têm uma leve vinheta cinza em vez de branco puro e mostram a chaise à direita em todas as vistas; a roupa de cama está arrumada de forma diferente entre as fotos. Neste relatório, "fotos comuns do produto" designa essas imagens de catálogo, e as afirmações sobre fidelidade limitam-se ao que elas mostram. As áreas de apoio genéricas de cinco dos seis formatos da Seção 4.3 (todos exceto "outro") são as dimensões dessas peças.
Camadas ocultas do prompt. Os produtos foram gerados em produção (Kling 4, 1080p, 1:1, 10 s) enquanto se editavam camadas de prompt no servidor: v1 "never reverse"; v2 removeu "axis" e acrescentou uma frase sobre disco plano após uma tomada com um poste branco sob o assento; v3 "frame 1 shows the product at exactly 0°"; v4 uma nova frase de Vaivém. Com a v3, poltrona, sofá, pufe e sofá de canto começaram pela frente e deram uma volta sem poste. A cama falhou duas vezes, e suas fotos não eram coerentes entre si. Pouco antes, o cliente havia sido informado de que o dimensionamento manual não era recomendado. Quatro desses clipes foram entregues e formam a linha de base da Seção 7.2; a resposta do cliente apontou a escala, o salto no final e o sofá de canto além da borda.
Análise de mecanismos, uma promessa excessiva e sua correção. Uma resposta a esse feedback prometeu um último quadro correspondente, uma pausa, um prato giratório redimensionado e novas versões. Na revisão, nenhum desses itens era garantido por um mecanismo disponível, e foi enviada uma correção afirmando que proporções exatas entre produtos, a permanência no prato durante todo o giro e um último quadro idêntico ao primeiro não podiam ser garantidos. Foram definidas duas regras de trabalho: atender a um requisito que falha encontrando um mecanismo, e não com mais tomadas de teste, e julgar os resultados apenas pelas próprias palavras do cliente. A análise delineou duas rotas: renderizar a partir de um modelo 3D (Rota A) ou restringir o vídeo com imagens compostas (Rota B). Uma avaliação interna, com seus próprios rótulos de confiança, concluiu que o texto não pode garantir escala, permanência no prato nem um loop exato (alta); um quadro inicial composto pode fixar o quadro 0 (alta); a escala após o quadro 0 depende do comportamento do modelo (média, não verificada); pausas exatas exigem pós-processamento. O cliente pediu para continuar os testes e voltou a pedir tamanho ajustável pelo usuário e uma pausa de 2 s. Nossa resposta se comprometeu com ambos: uma opção para definir quanto do quadro o produto ocupa, de modo que cada produto comece em um tamanho consistente, com a ressalva de que o tamanho ainda pode variar durante o giro e a afirmação de que gerar novamente normalmente produziria um resultado melhor; e uma pausa de 2 s após a volta completa. Esses foram compromissos assumidos na correspondência, não conclusões técnicas validadas; em particular, a afirmação sobre gerar novamente não era sustentada por nenhuma taxa medida.
Conjunto de referências de quatro vistas gerado. Uma geração em produção no Kling 4 reference-to-video (720p, 10 s, 1:1) usou quatro imagens de múltiplos ângulos geradas do sofá de canto como um único conjunto de referências do objeto (a primeira como imagem frontal, as demais como imagens de referência), sem quadros iniciais, finais ou intermediários. O corpo original da requisição não estava disponível; a reconstrução foi feita a partir do registro armazenado e do código atual. O prompt armazenado já pedia 90° por quarto de volta, velocidade constante, nenhuma inversão, estrutura inalterada e retorno à frente, e também dizia "the spin never stops" e "zero dwell", o que conflita com a pausa solicitada. Por volta de 8 s, a junção entre o assento longo e a chaise mostrou uma dobra visível que se endireitou em direção à vista frontal, ou seja, deriva estrutural (não uma medição de ângulo); o primeiro e o último quadro estavam ambos próximos da frente, mas a borda externa da chaise e os pés dianteiros não coincidiam (diferença absoluta média de cinza no quadro inteiro de 2.1), portanto não se trata de um loop sem emenda verificado; nenhum pé foi visto além da borda do prato nos quadros amostrados. As quatro vistas de entrada não haviam sido verificadas quanto à consistência geométrica, de modo que a inconsistência da entrada e a deriva do modelo não podem ser separadas. À parte, quatro imagens-chave geradas com um modelo de imagem mostraram diferenças de proporção e de detalhe entre os ângulos e não foram enviadas a um modelo de vídeo.

Âncoras compostas e quartos de volta encadeados no Kling 3.0 Omni. Em uma poltrona verde com cinco fotos consistentes (Kling 3.0 Omni, 720p, sem áudio, 1:1), três condições com três clipes cada: A, a requisição de produção (linha de base); B, A mais um quadro frontal composto como start_image_url e end_image_url; C, quatro clipes encadeados de 3 s, cada um começando no último quadro do clipe anterior e terminando em uma vista composta do lado seguinte (a vista de 270° era a foto lateral espelhada). Antes de qualquer clipe novo, nove clipes existentes (modelos, prompts e produtos variados) foram pontuados: 8 de 9 deram a volta completa, apenas 3 de 9 fecharam a junção dentro de 2× um passo normal entre quadros (razões de emenda em um recorte central) e apenas o T4b atendeu ao mesmo tempo a giro, início pela frente, emenda e ausência de mudança. O avaliador foi calibrado no T4 e no T4b: uma medida de uniformidade do giro separou o giro uniforme do T4b (maior intervalo 0.36 s) do giro iniciado pelas costas do T4 (1.38 s); as razões de emenda no quadro inteiro foram 0.49 e 0.88, menores que os valores no recorte central da análise anterior para os mesmos clipes (1.0 e 1.5), de modo que as duas medições não são intercambiáveis; e o Kling 4 desenhou a poltrona com cerca de 73–75% da largura do quadro, contra 45% para seu tamanho real em um prato de 150 cm. Nove vídeos finais resultaram de 18 chamadas ao provedor (A 3, B 3, C 12), 96 segundos gerados. Os critérios de aprovação foram escritos antes da primeira etapa; um limiar absoluto de emenda e uma métrica de inversão foram acrescentados depois (Seção 7.4). Resultados: largura do produto no quadro 0 dentro de 0.7% do valor composto em todos os seis clipes de B e C, enquanto A variou de −21% a +18% e um clipe de A cresceu 44% durante o giro; último contra primeiro quadro 1.9–2.1 níveis de cinza para B e 3.5–4.5 para C, contra 7.2–21.8 para A; nenhum pé além da borda em 16 quadros, avaliados a olho, em todos os nove; um em cada três clipes de cada condição inverteu ou passou do ponto (nas tiras, as vistas se repetem fora de ordem: um clipe da linha de base volta à frente em 5 s e termina pelas costas; um clipe de B e um de C mostram uma vista quase frontal seguida de uma vista lateral antes de terminar na frente). O trabalho com este modelo foi interrompido; uma terceira etapa proposta (sentido indicado em cada segmento) não foi realizada. Tornar o vídeo "não gerado pelo modelo", colando o produto sobre um prato em cada quadro ou substituindo quadros, foi descartado.


Rota 3D (projetada, não executada). As fontes consideradas foram os próprios modelos 3D do cliente ou a geração de imagem para 3D a partir das fotos, com um pequeno orçamento de demonstração. Um pedido de arquivos 3D foi redigido e não enviado. Motivos registrados para não executá-la: as renderizações não corresponderiam aos tecidos reais, modelos gerados a partir de fotos trazem geometria presumida e iluminação embutida, e trata-se de outra linha de produto.
Apenas uma linha numérica de layout, Kling 4. Uma rota apenas com prompt foi testada primeiro para evitar o custo do recorte: uma linha Layout com as quatro configurações em números. Em uma tomada de produção, os números não foram seguidos. Uma etapa de composição com ffmpeg no servidor, destinada a acrescentar as pausas, descartava os quadros estáticos; as pausas passaram para o navegador.
Prompt v9. A v9 fundiu um rascunho com linhas rotuladas (Scene, Layout, Rotation, Camera, Motion, Product; layout sempre enviado; velocidade constante; quadro final igual ao quadro 1; produto rígido) com a camada v4 do servidor que estava ativa em produção (quadro 1 a 0° voltado para a frente, giro rígido em torno do centro do disco, nunca inverter, tempos por quarto de volta com a vista traseira na metade, Vaivém sem nunca mostrar a traseira, disco plano sem nada saindo dele, disco nivelado e no lugar). Uma camada v4 salva em produção substituiria as frases de rotação e movimento da v9, por isso uma versão vazia da camada precisava ser salva logo após a implantação. Não há registro de se nem quando essa redefinição foi feita. Até que isso seja estabelecido, não se sabe ao certo quais frases de rotação e movimento cada geração de produção posterior (Seções 7.3 e 7.6) de fato recebeu; o texto do Apêndice A é a v9 tal como o código a monta, não um registro do que foi enviado.
Quadro inicial composto no Kling 4 (local, três tomadas). Em uma implantação local que chama as APIs reais, com um elemento formado pelas três fotos da poltrona do cliente (a frontal primeiro), Kling 4 reference-to-video 720p, 10 s, 1:1, tamanho 50%, prato giratório 76%, centro 56%, espessura 3%, sentido horário:
- Tomada 1 (elipse plana desenhada e sombra). O log de requisições do provedor mostrou a imagem recebida como
start_image_urlao lado deelements; o primeiro quadro gerado foi a composição do próprio modelo (uma poltrona grande sobre um disco grande). O giro em si foi completo. - Tomada 2 (uma única intervenção visual: disco redesenhado como uma fotografia de estúdio, com borda sombreada, topo iluminado, fundo que escurece e sombreamento da área de apoio; mesmo endpoint, prompt e configurações). O resultado começou no quadro inicial composto, e a poltrona manteve o tamanho ao longo do giro e terminou na frente.
- Tomada 3 (revisão em bloco, três mudanças juntas: uma sombra de contato justa, uma nova linha Motion no prompt pedindo velocidade constante a partir do quadro 1 e pausas feitas no navegador). Começou no quadro inicial composto, tamanho mantido, traseira em 5 s, frente no final, SSIM primeiro/último 0.98; arquivo com pausas de 12.12 s (duração do contêiner), com os últimos 2 s estáticos. O resultado da tomada 3 não pode ser atribuído a nenhuma de suas três mudanças isoladamente.
A tomada 3 foi adotada como receita fixada, e a uniformidade da velocidade de giro foi abandonada como objetivo, já que o cliente não a havia pedido.

Lançamento, clipes de produção e feedback. Uma revisão percorrendo o fluxo antes do lançamento levou ao Enquadramento personalizado vinculado ao Kling 4, à memória do formato por produto, ao botão de recorte no palco, a linhas de custo que mencionam o recorte, a um rótulo de duração que mostra a pausa, a um aviso enquanto as pausas são acrescentadas e a rótulos mais claros; predefinições nomeadas e uma fila em lote foram adiadas. Um clipe de produção pediu sentido anti-horário e girou no sentido horário, então o sentido foi ocultado. Um clipe com pausas parava de tocar quando substituía o clipe original no mesmo player; isso foi corrigido. A página de detalhes ganhou uma sobreposição do quadro inicial composto real do clipe, no lugar de um desenho esquemático anterior. Quatro clipes de produção com o quadro inicial composto (Seção 7.3) e um tutorial do estúdio foram enviados ao cliente. A resposta do cliente trouxe um feedback positivo limitado sobre pontos específicos (segundo nosso resumo: o resultado próximo do que desejam, o diâmetro do prato correto, a pausa de 2 s funcionando) ao lado de quatro correções: a sombra do sofá de canto era redonda em vez de acompanhar sua forma; a mesma plataforma fina deveria ser usada em todos os vídeos; o produto deveria ficar na mesma posição na tela em todos os vídeos; e o fundo do clipe da poltrona deveria ser usado em toda a coleção. Também enviaram fotos de um segundo modelo de cama e pediram o vídeo dele. Isso não é uma aceitação e não diz respeito aos clipes posteriores.
Sombreamento do quadro 0 e os clipes refeitos. Na mesma tarde, o quadro 0 foi revisado (Seção 5): um fundo de estúdio selecionável ajustado ao clipe da poltrona, remoção da elipse desenhada e uma sombra no chão extraída da foto. Seguiram-se seis clipes refeitos com configurações fixas e o fundo ajustado (Seção 7.6). O plano previa quatro clipes novos (a segunda cama, o sofá de canto, o sofá e o pufe), sem refazer a poltrona, uma tomada cada; foram feitos seis: os quatro planejados, uma poltrona e uma segunda tomada da cama. A repetição da cama decorreu da deriva da primeira tomada da cama e mudou uma condição (a imagem final); o motivo para refazer a poltrona não foi registrado. A tomada da cama com deriva foi gerada, mas não entregue, de modo que a seleção entre tomadas acrescentou custo. Depois do par da cama, o envio do quadro inicial composto como imagem final nas voltas completas foi implementado e implantado (Seção 4.4), e cinco clipes foram enviados ao cliente com instruções de autoatendimento. O veredito dele está pendente.
3.2 Cronologia
| Data (2026) | Etapa | Tipo | Resultado |
|---|---|---|---|
| 11-05 a 11-06 | Os cinco clipes do próprio cliente; requisitos R1–R6; revisão dos clipes e preparação das entradas | clipes do cliente, feedback, revisão local | tamanho e consistência eram os principais problemas; dois clipes do Kling 4 já davam a volta completa |
| 11-06 | Medições dos clipes de modelo; testes de interpolação e de recorte de amplitude; prompt v1 com configuração de Rotação | testes locais, lançado | enquadramento estável dentro de um clipe; interpolação rejeitada; recortar exige um 360° real |
| 11-07 | Prompt v2–v8; testes da v8 e o par T4b | gerado (6 clipes) | texto numérico não seguido; o encaminhamento das referências afetou a pose inicial |
| 11-09 | Coleção recebida e inspecionada; camadas ocultas do prompt v1–v4 | gerado | quatro peças deram uma volta a partir da frente; a cama falhou |
| 11-10 | Linha de base entregue; feedback do cliente; análise de mecanismos; clipe com referências de quatro vistas | gerado, feedback, análise | escala, salto no final e permanência no prato apontados; deriva estrutural com vistas geradas |
| 11-11 | Experimento com âncoras no Kling 3.0 Omni | gerado (9 vídeos) | tamanho no quadro 0 mantido com âncoras; 1 em 3 inverteu em cada condição; interrompido |
| 11-12 | Correção de promessas anteriores; pedido renovado; linha numérica Layout; prompt v9; tomadas locais 1–3; quadro inicial composto lançado | gerado, lançado | números não seguidos; quadro inicial composto sombreado seguido, o plano não |
| 11-13 manhã | Quatro clipes de produção; tutorial enviado; correções do cliente | gerado, feedback | layout seguido, fundo em 3 de 4; quatro correções |
| 11-13 tarde | Ajuste do fundo, remoção da elipse, sombra extraída | lançado | nenhuma geração nessa etapa |
| 11-13 noite | Seis clipes refeitos; imagem final automática; cinco clipes enviados | gerado, lançado | uma deriva só com imagem inicial; a repetição com início = fim não derivou; veredito pendente |
4. Método final
4.1 Visão geral
4.2 Fluxo do usuário
No modelo de prato giratório, o usuário marca Enquadramento personalizado, o que muda o modelo para o Kling 4. O palco vazio passa a mostrar um desenho ao vivo do prato giratório com uma silhueta genérica do formato escolhido. O usuário executa o recorte (cobrado uma vez por foto, reembolsado em caso de falha, reutilizado depois); o recorte substitui a silhueta. Quatro controles deslizantes com caixas numéricas alteram a prévia ao vivo: tamanho no prato giratório, largura do prato giratório no quadro, espessura do prato giratório, altura do centro do prato giratório; uma opção de Fundo alterna entre Claro e Cinza de estúdio (Seção 5.1). Rotação e pausas ficam fora do Enquadramento personalizado e não custam nada. Se o Enquadramento personalizado estiver marcado sem recorte, e o usuário não tiver fornecido nem um primeiro quadro próprio nem uma continuação de um clipe anterior, a geração é recusada com um aviso para executar o recorte; com um primeiro quadro próprio ou uma continuação, ela prossegue sem o quadro inicial composto. A fileira de fotos do estúdio sempre mostra um bloco de Primeiro quadro e um de Último quadro: vazio, o bloco é um botão de upload; com Enquadramento personalizado e um recorte, o bloco Primeiro mostra o quadro inicial composto com a etiqueta "Início auto" e, com Rotação Auto ou 360°, o bloco Último também o mostra, com a etiqueta "Fim auto". Tocar em um bloco automático permite ao usuário escolher uma imagem própria em seu lugar. Após a geração, a página de detalhes lista as configurações enviadas e oferece uma sobreposição do quadro inicial composto real sobre o vídeo, de modo que a sobreposição compara o recorte real com o resultado (Figura 10). As Figuras 7, 8 e 10 foram extraídas de um tutorial do estúdio gravado antes de a opção de Fundo existir.




Entrada numérica. Até uma correção feita na manhã em que os clipes de produção foram entregues, uma caixa numérica limitava o valor a cada tecla digitada, de modo que digitar "60" em Tamanho (30–100) resultava em 100. Os clipes de produção da Seção 7.3 foram feitos antes da correção; as configurações registradas são os valores enviados, portanto o defeito pode ter afetado o que o usuário pretendia, não o que o registro diz, e não há registro de se algum desses valores foi digitado em vez de arrastado.
As configurações ficam salvas na conta: os parâmetros do prato giratório são compartilhados por todos os formatos; tamanho e pausas são guardados por formato; o formato de cada produto é guardado por elemento.
4.3 Composição
- Palco. Centro do disco em (300, 400) em unidades SVG, raio r = 210, visto 14° de cima (inclinação = sen 14°, escolhida a partir dos próprios clipes de prato giratório do modelo).
- Vista. Largura do quadro = 2r × 100 / (largura do prato giratório em %); altura = largura / proporção; o centro do topo do disco fica na porcentagem de altura do centro do quadro. Cada proporção recebe sua própria composição (R6).
- Disco. Altura da borda = espessura % × 2r × cos 14°; borda sombreada, topo iluminado com um realce frontal, um fundo (Claro: um gradiente que escurece em direção ao chão; Cinza de estúdio: Seção 5.1) e a sombra do próprio disco no chão. Originalmente, uma elipse desfocada da área de apoio também era desenhada sob o produto como sombra de contato; ela foi removida, e a sombra do produto no chão, quando disponível, agora é extraída de sua foto (Seção 5).
- Escala do produto. k = r × s / sweep (s como fração), com sweep = √((W/2)² + (D/2)²), a distância do eixo ao canto mais distante da área de apoio, e W × D a área de apoio genérica do formato (sofá 240 × 94, poltrona 85 × 85, sofá de canto 240 × 200, pufe 105 × 60, cama 163 × 210, outro 100 × 60 cm). O recorte é desenhado com largura W·k, centrado no eixo, com a base na borda frontal da área de apoio.
O que a regra de escala faz e o que não faz. Cada formato recebe seu próprio fator k de pixels por centímetro, de modo que a regra controla a ocupação normalizada da área de apoio: com s = 100%, o canto mais distante da área de apoio apenas toca a borda do disco ao passar por ela, para todos os formatos. Ela não preserva a escala física entre produtos. Dobrar W e D deixa a largura desenhada inalterada para o mesmo valor do controle deslizante. Com s igual, as larguras desenhadas da poltrona, do pufe e do sofá estão na razão 297 : 365 : 391 unidades SVG (1 : 1.23 : 1.32), enquanto suas larguras reais são 85 : 105 : 240 cm (1 : 1.24 : 2.82). As proporções entre produtos (as "proporções consistentes" de R1) ficam, portanto, a cargo da escolha manual de s por formato feita pelo usuário. Uma escala de catálogo real exigiria um diâmetro físico de prato comum ou um fator comum de pixels por centímetro, mais as dimensões reais de cada SKU; dimensões por produto, sozinhas, alimentadas na mesma normalização, não a alcançariam.
- Saída. O SVG é clonado sem o anel-guia, serializado, desenhado em um canvas com o lado maior de 1,280 px e exportado como PNG. O quadro inicial composto tem, portanto, a mesma composição da prévia, excluídas as guias da interface e ressalvada a rasterização. Ele é carregado e enviado como
start_image_url.
4.4 Quando o quadro inicial composto é enviado
Como imagem inicial. Ele só é enviado quando o Enquadramento personalizado está ativado, existe um recorte e o usuário não forneceu nem um primeiro quadro próprio nem uma continuação de um clipe anterior, ambos com precedência. Se a renderização ou o upload falharem, o erro é registrado e a geração prossegue sem imagem inicial. Uma variante que falhe de forma fechada fica para trabalho futuro.
Como imagem final (acrescentado após a comparação pareada da Seção 7.6; publicado na mesma noite, segundo o operador). O mesmo quadro composto enviado também é mandado como end_image_url quando todas estas condições se cumprem: o quadro composto está sendo enviado como imagem inicial (condições acima), o usuário não definiu um último quadro próprio, o modelo aceita imagem final (o Kling 4 aceita) e a Rotação é Auto ou 360°. Ele não é enviado em 270°, cuja pose final difere da inicial, nem em Vaivém ±90°, que volta a 0° mas não foi testado com ele. Publicá-lo é uma decisão de engenharia, não evidência de que a imagem final impeça a deriva do enquadramento. Há registro de uma geração por esse caminho automático: um clipe da poltrona (Seção 7.6) que manteve o enquadramento enquanto seu gêmeo só com imagem inicial avançou. As verificações automatizadas são de dois tipos: para a interface do usuário, verificações estáticas de que as condições de elegibilidade estão escritas como descrito, que não renderizam os estados dos blocos nem executam o caminho de upload e requisição; para o montador da requisição, testes unitários que o executam e verificam que uma imagem final é repassada como end_image_url no Kling 4 e nos dois níveis do Kling 3.0 Omni e nunca em modelos que não a aceitam. Os blocos automáticos não foram vistos em uma interface em execução durante o desenvolvimento, porque nenhum recorte pôde ser feito no ambiente local.
4.5 Parâmetros
| Configuração | Intervalo | Padrão | Escopo |
|---|---|---|---|
| Tamanho no prato giratório (ponto mais distante da área de apoio / raio do disco) | 30–100% | 70% | por formato |
| Largura do prato giratório no quadro | 40–95% | 76% | todos os formatos |
| Espessura do prato giratório (borda / diâmetro) | 1–12% | 3% | todos os formatos |
| Centro do prato giratório a partir do topo | 30–80% | 56% | todos os formatos |
| Fundo | Claro, Cinza de estúdio | Claro | todos os formatos |
| Rotação | Auto, 360°, 270°, Vaivém ±90° | Auto | por clipe |
| Pausa antes / depois do giro | 0–5 s, passos de 0.1 s | 0 s / 2 s | por formato |
| Sentido | somente horário | horário | — |
Valores fora do intervalo são recusados pelo servidor em vez de limitados. O sentido anti-horário foi ocultado depois que o Kling 4 o ignorou em um clipe de produção; o sentido existe apenas como uma frase no prompt.
4.6 Prompt
O servidor monta uma linha rotulada por grupo: Scene (as palavras do usuário), Layout (as quatro configurações em palavras, apenas com Enquadramento personalizado), Rotation, Camera, Motion, Product. Texto completo no Apêndice A. Dois detalhes de implementação são relevantes:
- Alternativa por comprimento. Se o prompt exceder o limite de um modelo, são testadas versões candidatas com linhas removidas em uma ordem fixa: texto extra do usuário, Product, Motion, Camera, Rotation e, por fim, Layout; o último recurso é a linha Scene sozinha. Layout e Rotation, portanto, são normalmente, mas não sempre, enviadas.
- A supressão dos padrões é feita por correspondência de palavras-chave. As linhas Camera e Motion, e o texto padrão da linha Product, são removidos quando as palavras do próprio usuário correspondem a padrões de tema (por exemplo, "camera", "zoom", "orbit"); com o som desligado, a linha Product ainda traz a frase de silêncio ("The video is silent."). Isso não é uma detecção semântica de contradição: também remove uma linha diante de palavras que concordam com ela ("keep the camera fixed") e deixa passar algumas formulações contraditórias.
A linha Layout reafirma em palavras o que o quadro inicial composto mostra. Em testes anteriores, o texto numérico de layout sozinho não foi seguido (Seção 3.1), por isso a imagem é o veículo pretendido do layout.
4.7 Pausas
As pausas não são pedidas ao modelo. O clipe original é decodificado no navegador com WebCodecs; o navegador grava cópias do primeiro quadro decodificado para a pausa anterior, o clipe decodificado e, em seguida, cópias do último quadro decodificado para a pausa posterior; desloca o áudio de acordo, preenche as pausas com silêncio, recodifica em H.264 + AAC e carrega o resultado, que substitui o clipe original uma única vez. Usa-se a decodificação em vez de uma edit list do MP4 porque os clipes usam B-frames e os navegadores não respeitam as permanências definidas em edit lists. Um caminho no servidor, por meio de um serviço de composição com ffmpeg, continua desativado depois de ter descartado os quadros estáticos.
Propriedades e limites:
- Condicional. Roda no navegador do dono do clipe quando o clipe é exibido. Se a obtenção, a decodificação, a codificação ou o upload falharem, o clipe original permanece inalterado e a tentativa é repetida em uma visita posterior. Depende do suporte a codecs do navegador e dos recursos do dispositivo.
- Cópias estáticas quantizadas por quadro. Cada cópia estática recebe a duração de um quadro inteiro, e cópias são acrescentadas enquanto seu instante inicial estiver abaixo do fim solicitado, de modo que as durações nominais das amostras repetidas somam os segundos solicitados arredondados para cima em quadros inteiros: 2 s a 24 fps são exatamente 48 quadros, mas 0.1 s gera 3 cópias com extensão nominal de 0.125 s. O restante da linha do tempo não segue esse arredondamento da mesma forma. Em uma pausa inicial, os quadros em movimento e o áudio são deslocados pelo valor solicitado (0.1 s), não pelo arredondado, de modo que o intervalo nominal da última cópia estática (0.083–0.125 s) se sobrepõe ao primeiro quadro em movimento (a partir de 0.1 s). Em uma pausa final, as cópias começam no fim do último quadro em movimento, mas o fim usado para completar o áudio com silêncio é avançado pelo valor solicitado. Com valores de pausa em quadros inteiros, os dois coincidem; para pausas fracionárias, os timestamps e o alinhamento A/V da saída decodificada não foram medidos.
- Com perdas. O clipe inteiro é recodificado, de modo que nem o trecho em movimento nem os quadros das pausas são idênticos pixel a pixel ao clipe original decodificado.
Medido em cópias com pausas baixadas de quatro clipes refeitos entregues (Seção 7.6). Cada uma tem 289 quadros de vídeo a 24 fps, um fluxo de vídeo de 12.041667 s e uma duração de contêiner de 12.120816 s (o fluxo de áudio AAC é mais longo). Com um clipe original de 10 s com 241 quadros, como têm os clipes de 10 s do Kling 4 baixados, os quadros 0–240 são quadros de origem decodificados e os quadros 241–288 são as 48 cópias (2 s), a partir de 10.041667 s; o quadro 240, em 10.000 s, é a última amostra de origem. Os arquivos originais não foram guardados, então esse limite é inferido a partir das contagens de quadros e do método, não lido da mídia original. O codificador insere um quadro-chave a cada 48 quadros (0, 48, …, 240). Em escala de cinza (luma Rec. 601), 1440 px completos: em relação à primeira cópia (quadro 241), cada quadro posterior da pausa difere por uma diferença absoluta média por quadro de no máximo 0.010–0.022 níveis de cinza (o intervalo abrange os quatro clipes) e um máximo por pixel de 5–11; em relação ao quadro 240, a maior média por quadro é 0.10–0.12 e o máximo por pixel 12–50 (50 no sofá de canto), porque essa comparação inclui a passagem do último quadro de origem para a primeira cópia recodificada. No clipe do sofá, a diferença absoluta média de cinza foi de 0.43 do quadro 239 para o 240, 0.11 do 240 para o 241 e 0.02 do 241 para o 288. A pausa é, portanto, visualmente estática, mas não idêntica pixel a pixel; o resíduo por pixel é ruído de codificação concentrado nas bordas.

Não testados: pausas fracionárias, pausas antes do giro, sincronização de áudio em clipes com pausas e com som, e processamento interrompido.
4.8 Custo por clipe
| Etapa | Preço de tabela do provedor (consultado em 2026-11-13) | Cobrado do usuário |
|---|---|---|
| Recorte (Bria RMBG 2.0) [21] | $0.018 por imagem | uma cobrança fixa em créditos, reembolsada em caso de falha, reutilizada |
| Kling 4, 720p [19] | $0.157 / s | regra padrão de créditos |
| Kling 4, 1080p [19] | $0.235 / s | regra padrão de créditos |
| Composição e pausas | $0 (navegador) | grátis |
Estes são preços do provedor, não preços de créditos no varejo, e excluem novas tentativas, seleção e tempo do operador.
5. Sombreamento do quadro 0: fundo e sombra do produto
Após o feedback do cliente sobre os quatro clipes de produção, o quadro 0 foi alterado de três formas: um fundo de estúdio selecionável, a remoção da sombra desenhada sob o produto e uma sombra no chão extraída da própria foto do produto. As três alteram apenas o quadro inicial composto; o prompt v9 e a requisição não mudam. Quando as mudanças foram feitas, nenhuma geração havia usado nenhuma delas. Os seis clipes refeitos da Seção 7.6 usaram então o fundo Cinza de estúdio sem elipse desenhada; não há registro de se o quadro 0 deles também trazia a sombra extraída. As observações sobre eles foram acrescentadas nas Seções 5.1 e 5.7; fora isso, esta seção descreve mecanismos e seus modos de falha, não o comportamento observado do modelo.
5.1 Fundo
Os quatro clipes de produção receberam o mesmo fundo claro desenhado (pixels do quadro 0 de 243 / 234 / 221 no alto, no meio e embaixo). O modelo o manteve nos clipes do sofá de canto, do sofá e do pufe (primeiro quadro gerado 244 / 234 / 222) e o substituiu desde o primeiro quadro no clipe da poltrona por um estúdio cinza mais escuro (parede em cerca de 150 nos cantos, cerca de 200 atrás do produto, chão em cerca de 222). O cliente então pediu o fundo do clipe da poltrona para toda a coleção. Como esse fundo foi escolha do próprio modelo em uma única tomada, nenhuma configuração o reproduzia. O Enquadramento personalizado agora oferece uma opção de Fundo, Claro (o desenho anterior, padrão) ou Cinza de estúdio, guardada na conta junto com as configurações do prato giratório. O Cinza de estúdio é um gradiente radial na parede, um gradiente radial mais plano no chão e uma transição linear entre eles, ajustados ao primeiro quadro do clipe da poltrona com produto e prato excluídos; o ajuste é relatado internamente como um erro médio de 1.7 níveis de cinza (0–255) tal como renderizado no Chrome (1.5 para o modelo ajustado antes da renderização). O protocolo da medição no Chrome (conversão de canais, máscara, resolução, versão do navegador) não foi registrado, e ela não foi reproduzida de forma independente. Uma verificação independente em imagens de 720 px salvas (quadro de referência, modelo ajustado, máscara e o SVG do quadro 0), com a máscara limiarizada em > 127 (73.4% dos pixels mantidos) e a diferença absoluta média de cinza mascarada em relação à referência, dá 1.63 para a imagem do modelo ajustado (já em escala de cinza) e, para o SVG do quadro 0 renderizado em 720 × 720 com librsvg 2.58.4, 1.48 com conversão para luma Rec. 601 ou 1.43 com os pesos Rec. 709 aplicados aos valores codificados. Nenhum desses protocolos é canônico, e nenhum confirma ou refuta o número do Chrome. A renderização do SVG também contém o contorno da silhueta da prévia, sem guias, parte do qual fica dentro da máscara mantida. No mapa de erro mascarado, os erros se concentram na faixa de transição entre parede e chão e na parte externa da parede. O ajuste tem por objetivo reproduzir no quadro 0 o visual solicitado.

Geometria ajustada. Os pixels do quadro 0 do clipe da poltrona, com produto e prato mascarados, foram ajustados com dois gradientes radiais e uma transição linear. As posições são tomadas a partir da borda traseira do prato (y = cy − r · tilt), de modo que o fundo acompanha o tamanho e a altura do prato; com prato giratório em 80% e centro em 58% em 1:1, a borda traseira fica a cerca de 48% da altura do quadro, como no clipe da poltrona. O gradiente da parede está centrado 0.133 h acima da borda traseira (35% a partir do topo nessas configurações), com um parâmetro de elipse de 0.40 w × 0.30 h (o raio do gradiente é 1.71 vez esse valor, de modo que a última parada cai aproximadamente nos cantos) e paradas de cinza 216, 215, 211, 199, 188, 175, 166, 145. O gradiente do chão está centrado 0.067 h abaixo da borda traseira (55%), 0.80 w × 0.30 h (×1.62), paradas 231 → 219. A parede é mascarada sobre o chão por uma transição vertical linear de 0.063 h acima a 0.037 h abaixo da borda traseira (42% → 52%). Versões anteriores feitas à mão, um gradiente vertical estimado e uma linha de chão curva e desfocada, foram julgadas erradas a olho antes de o ajuste ser medido (relato do operador; essas versões não foram guardadas).
Manutenção, dois conjuntos separados. Fundo Claro, os quatro clipes de produção da Seção 7.3: mantido em 3 de 4 (acima). Cinza de estúdio, os seis clipes refeitos da Seção 7.6 (um fundo diferente, configurações diferentes, uma referência diferente): o operador relata um estúdio cinza no resultado de todos os seis. Para este relatório, um estúdio cinza foi visto nos cinco clipes baixados que puderam ser vinculados a uma geração pelo nome ou pelo conteúdo (sofá, pufe, sofá de canto e os dois clipes da cama); nenhum arquivo baixado pôde ser vinculado ao clipe refeito da poltrona, de modo que a manutenção do fundo nele se apoia apenas no relato do operador. O operador comparou os níveis de cinza do resultado com o clipe da poltrona ao qual o fundo foi ajustado: canto da parede 147–150 contra 150, centro da parede 204–206 contra 208, chão 229 contra 231 e 220–221 contra 220 (quais clipes cada intervalo abrange, e os pontos amostrados, são relatados pelo operador; arquivos de medição indisponíveis). Uma verificação pontual feita para este relatório nos primeiros quadros decodificados das cópias com pausas baixadas (cantos superiores e um canto inferior, quadrados de 4%, escala de cinza) deu cantos superiores 147–149 e canto inferior 218–220 para o sofá, o pufe, o sofá de canto e a cama com início = fim, contra 151–154 e 221 para uma cópia baixada que se presume, sem prova, ser o clipe de produção da poltrona. A manutenção do fundo no segundo conjunto é, portanto, relatada pelo operador em 6 de 6, vista para este relatório nos 5 clipes baixados atribuíveis e numericamente próxima nos pontos medidos em 4 deles; os dois conjuntos não são agregados, e Claro contra Cinza de estúdio não foi comparado em condições equivalentes (Seção 11, ablação 9).
5.2 A sombra do produto no piso: o problema
Um recorte remove o fundo junto com a sombra no piso que uma foto de catálogo em fundo branco traz (a Figura 15 mostra uma sombra assim sob o assento e a chaise). Originalmente, o quadro 0 compensava isso com uma elipse de área de apoio desenhada: preto a 20%, desfocado, com semieixos 0.92 × W/2 × k e 0.92 × D/2 × k × tilt, tirados da área de apoio genérica do formato (Seção 4.3). Na poltrona, no sofá e no pufe, a elipse ficava em sua maior parte sob a peça. No sofá de canto (área de apoio genérica de 240 × 200 cm), era um oval preenchido derivado de uma área de apoio quase quadrada (no espaço da tela, sua razão de eixos é (200/240) × sin 14° ≈ 0.20, de modo que não aparece redondo na tela), enquanto o produto tem forma de L; assim, boa parte dele caía no canto vazio do L (cerca de metade, segundo nossa descrição interna). O cliente relatou que a sombra era redonda em vez de acompanhar o formato do sofá de canto, e no clipe de produção do sofá de canto vê-se uma mancha cinza larga no prato durante o giro (Figura 13).

5.3 Alternativas que não funcionaram
| Alternativa | O que foi testado | Evidência | Resultado |
|---|---|---|---|
| Elipse de área de apoio desenhada | o quadro 0 em produção dos quatro clipes de produção | mancha cinza no prato durante o giro do sofá de canto, compatível com a persistência da sombra de área de apoio desenhada (Figura 13); reclamação do cliente | removida |
| Recorte instruído a manter a sombra | recorte da Bria com um prompt pedindo para manter a sombra (redação exata não registrada), cinco fotos de produto | o piso sob cada peça voltou como pixels opacos, quase brancos, e não como uma sombra semitransparente (por inspeção visual): no sofá de canto, a fração de pixels quase opacos (alfa ≥ 95%) subiu de 29.1% da tela no recorte simples para 35.6%, enquanto os pixels de alfa intermediário (5–95%) foram 1.6% (medido para este relatório nos PNGs salvos; essas frações, sozinhas, não dizem se os pixels intermediários são sombra no piso ou borda de segmentação) | não usado |
| Edição por modelo de imagem para um PNG transparente com sombra semitransparente | a foto do sofá de canto editada por um modelo de geração de imagens de uso geral | a sombra se perdeu, exceto por pequenas marcas sob as pontas dos pés (por inspeção visual; pixels de alfa intermediário 0.7% da tela, contra 0.8% no recorte simples); a imagem foi regenerada em 1536 × 1024 a partir de uma foto de 1200 × 800, de modo que a correspondência de pixels com a foto e, portanto, a fidelidade ao produto não são garantidas | não usado |
| Sem sombra do produto | quadro 0 com a elipse removida e nada em seu lugar (substituído em menos de uma hora) | nenhuma: nenhum clipe foi gerado a partir dele. A preocupação era que, sem sombra no quadro 0 nem nas fotos de referência, o modelo talvez não projetasse uma; é uma hipótese, não testada. Nos clipes de produção, em que o quadro 0 tinha a elipse escondida sob a poltrona, o sofá e o pufe, o modelo projetou uma sombra enquanto giravam | substituído |

5.4 Método: a sombra extraída da foto
As fotos de catálogo são em fundo branco; assim, fora do produto, o escurecimento de um pixel aproxima a intensidade da sombra. O método usa esse escurecimento diretamente. Não usa nenhum modelo de IA, não custa nada além do recorte já feito e deixa o próprio recorte inalterado (ele é desenhado sobre a camada como antes).
- Mesma tela. O serviço de recorte devolve um recorte da tela inteira da foto, de modo que se espera que a foto original e o recorte correspondam pixel a pixel. Apenas a igualdade de dimensões é verificada; o registro não é verificado. O navegador carrega tanto a foto original quanto o recorte, também para recortes feitos anteriormente.
- Região. A caixa do produto é a caixa delimitadora opaca do recorte (alfa > 24, como no corte). A região é essa caixa alargada em 5% de sua largura de cada lado e estendida para baixo em 25% de sua altura, limitada à foto; ela começa na borda superior do produto.
- Intensidade. Para cada pixel da região, a luminosidade L = 0.2126 R + 0.7152 G + 0.0722 B sobre os valores sRGB de 8 bits. A foto é nivelada de modo que L ≥ 250 vire branco: ℓ = min(255, 255 · L / 250). A camada de sombra é preta com alfa a = 1 − ℓ / 255 (armazenado como 255 − ℓ, arredondado).
- Composição. No quadro 0, a camada é desenhada depois do disco e antes do recorte, escalada e posicionada junto com o recorte (o mesmo fator de pixels por pixel da foto) e limitada à elipse da face superior do disco. O recorte é então desenhado por cima.
Em que sentido isto é uma mesclagem por multiplicação. A equivalência vale para a camada de sombra isolada, sobre um prato opaco, nestas condições:
- Transmissão. Desconsiderando a quantização, a transmissão da camada é q = min(1, L / 250), em que L = 0.2126 R′ + 0.7152 G′ + 0.0722 B′ usa os valores sRGB codificados de 8 bits da foto, R′, G′, B′. L é, portanto, uma média ponderada de valores com codificação gama (semelhante à luma), não a luminância em luz linear.
- Alfa quantizado. O alfa armazenado é A = round(255 · (1 − q)), de modo que a transmissão efetivamente aplicada é q₈ = 1 − A / 255.
- Prato opaco. Preto com alfa A / 255 desenhado em source-over sobre um pixel opaco P do prato dá (1 − A / 255) · P = q₈ · P, antes de qualquer amostragem e arredondamento posteriores. Isso é exatamente a multiplicação por uma imagem cinza neutra de valor 255 · q₈, nos valores codificados com que o compositor trabalha (a composição padrão de Canvas 2D e SVG no navegador opera sobre valores codificados em sRGB).
- Foto cinza versus foto colorida. Equivale a multiplicar a fotografia colorida nivelada sobre o prato somente onde os três canais nivelados dessa fotografia são todos iguais ao escalar q, por exemplo em pixels cinza neutro ou em pixels saturados no branco. Para pixels coloridos, como uma sombra tingida ou o estofado, não é uma multiplicação RGB da foto.
- O que não é. Não é a multiplicação pela foto original, não nivelada, nem um modelo físico de atenuação em luz linear. Uma comparação com outra implementação de multiplicação só é equivalente com o mesmo espaço de cor de trabalho, cobertura, limitação e amostragem.
A composição final é outra questão. O quadro 0 desenha em seguida o recorte sobre a camada. Com alfa do recorte m, cor direta do recorte F e o resultado da camada q₈ · P por baixo, um pixel do quadro 0 é C = m · F + (1 − m) · q₈ · P. Onde m = 1, o recorte oculta a camada por completo, de modo que pixels totalmente opacos do recorte são preservados. Onde 0 < m < 1 (a borda suave do recorte), a camada transparece e traz o que quer que a foto tenha ali: o escurecimento do próprio produto, que a camada inclui (Figura 16), qualquer contaminação de branco ou de fundo em F e erros de segmentação em m podem, cada um, produzir uma franja mais clara ou mais escura. A derivação, portanto, não estabelece uma borda do produto livre de artefatos. O que o método estabelece é mais restrito: não há faixa de exclusão em volta do produto (nota de construção abaixo), e na única imagem inspecionada, o sofá de canto, a borda nos pareceu aceitável a olho. Não foram feitas verificações de alfa suave, de bordas coloridas nem de bordas renderizadas no navegador (Seção 5.5).
Coerência com a pré-visualização aprovada. Uma rasterização da renderização do estúdio com a camada extraída e uma de uma pré-visualização anterior por multiplicação do mesmo quadro, que havia sido aprovada internamente (ambas quadros inteiros incluindo o recorte, ambas a 1,600 px com librsvg, não Chrome), diferiram em média absoluta de 0.02 níveis de cinza (média RGB 0.023 / 255; cinza ponderado Rec. 709 dos valores codificados 0.023 / 255; medido para este relatório). A construção da pré-visualização não foi registrada, de modo que isso verifica a coerência com a pré-visualização, não a fórmula; e uma média sobre o quadro inteiro é diluída pelo fundo inalterado, por isso diz pouco sobre a borda. Uma métrica restrita à região da borda está listada na Seção 11.
Nota de construção. Uma implementação anterior recortava a região a 2 px de distância da borda do produto e mantinha apenas pixels mais escuros que 250; o resultado foi considerado serrilhado na borda do produto. O método final não tem nenhum desses cortes: todo pixel da região recebe o alfa acima, e só o recorte define a borda do produto.



5.5 Aplicabilidade
A camada só é gerada quando todas as condições abaixo são atendidas; caso contrário, o quadro 0 fica sem sombra do produto, como na última linha da Seção 5.3, e a geração prossegue.
- Heurística de brilho nas bordas amostradas. A luminosidade mediana dos pixels amostrados ao longo das quatro bordas da foto é de pelo menos 240. O objetivo é rejeitar fundos de ambiente ou coloridos, cujos pixels escuros são cenário, não sombra, e seriam impressos no prato. É uma heurística, não a verificação de uma fotografia em fundo branco: não mede a uniformidade do fundo nem se o escurecimento é uma sombra, e aprova, por exemplo, uma foto de ambiente com moldura branca ou uma imagem cujo perímetro claro envolve um cenário interno escuro.
- Mesmo tamanho. A foto e o recorte têm as mesmas dimensões em pixels. É a única verificação de registro; dimensões iguais não provam correspondência de pixels.
- Pelo menos um pixel escuro fora do recorte. Pelo menos um pixel da região com alfa do recorte ≤ 24 tem alfa de camada diferente de zero (luminosidade nivelada abaixo de 255). Não é um detector semântico de sombra: qualquer pixel assim, seja sombra ou não, passa.
- A foto carrega. Uma falha de carregamento ou decodificação descarta apenas a sombra, não o recorte.
Os testes unitários são testes sintéticos, em nível de array, sobre uma imagem de 40 × 30 com um recorte de alfa binário. Eles cobrem o valor de alfa de um pixel de sombra cinza, o fato de um pixel de sombra junto ao produto receber o mesmo alfa que outro mais afastado (sem faixa de exclusão na camada), o limite inferior da região e o resultado nulo para um fundo uniformemente não branco e para um piso branco limpo. Não exercitam alfa de recorte suavizado, bordas coloridas, renderização no navegador, dimensões divergentes, falsos positivos nas bordas nem os limites laterais da região alargada, e não validam a qualidade da borda renderizada. O método foi verificado visualmente em uma foto de produto, a do sofá de canto. Para essa foto, a luminosidade mediana das bordas é 254.0, a caixa do produto é (43, 222), 1106 × 388 px, e a região é x ∈ [0, 1200), y ∈ [222, 707), limitada nos dois lados da foto; recalcular a camada a partir do JPEG original reproduz exatamente a camada incorporada no SVG salvo do quadro 0 (diferença de alfa média e máxima 0).
5.6 Limitações da sombra extraída
- Geometria da câmera. A sombra é a vista que a foto tem dela (de frente, levemente de cima), escalada junto com o recorte. Ela não é reprojetada para a vista de 14° do disco desenhado e não usa a área de apoio do formato, de modo que sua profundidade no prato é a da foto, não a do disco. É o mesmo descompasso de perspectiva do próprio recorte (Seção 10).
- Escurecimento que não é sombra. Tudo o que é escuro na região removida pelo recorte é mantido como escurecimento: vãos entre partes do produto que o recorte deixou transparentes, uma linha de piso ou de horizonte visível, reflexos, marcas ou resíduos de retoque. A região começa na borda superior do produto, de modo que os vãos dentro da silhueta são incluídos.
- Limiares fixos. O ponto branco (250) e o teste de fundo (240) são constantes, não medidos por foto. Um fundo entre 240 e 250 passa no teste, mas deixa um leve tom uniforme sobre toda a região (L = 245 dá cerca de 2% de escurecimento), com bordas retas onde a região termina; uma sombra mais clara que 250 se perde.
- Região limitada. Uma sombra que se estenda abaixo do produto por mais de 25% de sua altura, ou ao lado por mais de 5% de sua largura, é cortada com uma borda reta. A sombra que ultrapassa a elipse superior do disco é descartada pela limitação.
- Uma única vista. Só a sombra da foto frontal é usada; qualquer sombra que o produto tenha depois do quadro 0 é gerada pelo modelo.
- Só luminância. A cor da sombra na foto não é reproduzida (Seção 5.4).
5.7 Questão em aberto
Não há registro de nenhuma geração que tenha usado a sombra extraída. Duas observações dos clipes refeitos (Seção 7.6), cujo quadro 0 não tinha elipse desenhada:
- Sofá de canto sem a elipse. No clipe refeito do sofá de canto (Figura 18, linha inferior), a sombra no prato acompanha o formato em L em 0, 2.5, 5 e 7.5 s, e não se vê nenhuma marca redonda (quadros do operador; compatível com recortes do prato em 0, 3, 5 e 7.5 s examinados para este relatório). Em comparação com a mancha no clipe de produção do sofá de canto (Figura 13), isso é compatível com a hipótese de que a elipse desenhada causou aquela marca, mas é um clipe por condição, com outras configurações também alteradas (fundo, tamanho, centro), e não um teste controlado de remoção; não há registro de se esse quadro 0 continha uma sombra extraída.
- Sombras aparentemente copiadas das fotos de referência (hipótese). O operador comparou as fotos de referência lateral e traseira da poltrona com seu quadro em 2.5 s e achou a sombra no piso do clipe parecida com as sombras das próprias fotos. É uma impressão visual em um único produto; não pode ser demonstrada a partir da saída e fica registrada como hipótese sobre como o modelo forma a sombra durante o giro, não como constatação.

Não está verificado se o modelo mantém uma sombra sob o produto ao longo do giro, se a gira rigidamente com o produto, se a deixa como uma marca fixa no prato (como o clipe do sofá de canto sugere que fez com a elipse desenhada) ou se a substitui por uma própria. Nenhuma dessas opções é automaticamente correta: sob luzes fixas, uma sombra projetada real muda de forma conforme muda a orientação do objeto, de modo que nem uma marca fixa nem uma cópia da sombra da foto que gire rigidamente é, em geral, fisicamente correta. Uma segunda questão em aberto é se uma sombra no quadro 0 altera a fidelidade à imagem inicial (Seção 7.5). A Seção 11 lista a ablação para ambas.
6. O que o sistema determina e o que não determina
Determinado pelo método, nas condições indicadas:
- Quando a renderização e o upload são bem-sucedidos, e sem primeiro quadro ou continuação fornecidos pelo usuário, o quadro inicial composto enviado como
start_image_urltem a composição da pré-visualização (sem o anel-guia) com os parâmetros definidos, na proporção do clipe. - Com as mesmas configurações do prato giratório, o quadro inicial composto de cada produto tem a mesma largura, espessura e posição do prato giratório. O tamanho do produto segue a regra de ocupação normalizada da Seção 4.3, não uma escala física comum.
- O quadro inicial composto é armazenado com a geração e pode ser sobreposto à saída.
- As configurações são salvas na conta e reutilizadas.
- Quando o processamento no navegador é bem-sucedido, o clipe com pausas contém a sequência em movimento seguida (ou precedida) de quadros de extremidade decodificados e repetidos, recodificados como um todo; para pausas de quadros inteiros (como as de 1–3 s usadas em produção a 24 fps), as cópias cobrem exatamente o tempo solicitado, enquanto a temporização de pausas fracionárias e de pausas iniciais segue a Seção 4.7 e não está verificada.
- O recorte é cobrado uma vez por foto e reembolsado em caso de falha; com o Enquadramento personalizado desligado, nada dele é enviado ou cobrado.
- Quando as quatro condições da Seção 5.5 são atendidas (brilho nas bordas amostradas, dimensões em pixels iguais, pelo menos um pixel escuro fora do recorte, carregamento bem-sucedido), o quadro 0 contém o escurecimento nivelado da foto na região em volta do produto, limitado à face superior do disco, sob o recorte; caso contrário, o quadro 0 fica sem sombra do produto. Atender às condições não verifica que a foto seja uma foto em fundo branco, que o escurecimento seja uma sombra nem que foto e recorte estejam registrados.
- Quando o quadro inicial composto é enviado como imagem inicial, a rotação é Auto ou 360° e o usuário não definiu um último quadro, o mesmo quadro inicial composto é enviado também como imagem final (Seção 4.4). Que o modelo então termine nele, mantenha o enquadramento no intervalo ou ainda faça um giro completo não é determinado pelo método.
Observado em uma pequena amostra exploratória, não determinado: que o primeiro quadro gerado siga o layout composto de produto e prato (aproximadamente, a olho); que mantenha o fundo composto (Claro: 3 de 4 clipes de produção; Cinza de estúdio, um conjunto separado: relatado pelo operador em 6 de 6 clipes refeitos, visto para este relatório nos 5 que estão vinculados a um arquivo baixado, Seção 5.1); que o enquadramento do quadro 0 seja mantido no restante do clipe (não foi, em um dos cinco clipes refeitos só com imagem inicial, Seção 7.6); que o produto permaneça no prato durante todo o giro; o fechamento do loop; tamanho e proporções durante o giro; um giro completo em um só sentido; fidelidade estrutural. A sequência em movimento é gerada pelo modelo; as pausas opcionais repetem quadros de extremidade decodificados, e o vídeo completo é recodificado. Isso difere de compor um produto sobre um prato ao longo de todo o movimento, o que foi excluído por projeto.
7. Avaliação exploratória
7.1 Natureza das evidências
Todos os testes deste relatório são exploratórios: na maioria, uma execução por condição ou produto (o experimento de âncoras teve três execuções por condição), com configurações variadas de forma deliberada ou adaptativa, avaliados sem cegamento pelas pessoas que construíram o sistema e sem produtos reservados. As métricas foram alteradas durante o trabalho (Seção 7.4). Nenhum resultado abaixo é uma taxa, e nenhuma comparação entre condições controla produto, parâmetros ou variação aleatória.
7.2 Linha de base: clipes entregues sem quadro inicial composto
Quatro clipes dos produtos do cliente (Kling 4, 1080p, 1:1, 10 s, controle só por texto com a camada oculta v3): o prato tinha aproximadamente a mesma largura na tela nos quatro, e cada produto foi ajustado ao quadro (poltrona com cerca de 75% da largura do prato, sofá com cerca de 90%, pufe ocupando-o inteiro e ultrapassando-o); SSIM entre primeiro e último quadro de 0.85–0.97, com cada clipe terminando 10–15° antes da posição frontal; a ponta da chaise e um pé traseiro do sofá de canto passaram sobre a borda do prato nas vistas laterais. Os clipes aparecem na Figura 19.

7.3 Clipes de produção com o quadro inicial composto
Quatro clipes foram gerados no site de produção com Enquadramento personalizado, Kling 4, 1080p, 1:1, som ligado. As configurações variaram entre as peças para exercitar os controles (Apêndice B). Verificações:
- Primeiro quadro gerado contra o quadro inicial composto, por comparação visual (a mesma sobreposição está disponível no produto): fidelidade ao layout aproximada de produto/prato e, separadamente, manutenção do fundo.
- Permanência no prato, a olho, em 34–40 quadros por clipe, observando os pés e a ponta da chaise em relação à borda do disco.
- Diferença entre extremidades: diferença absoluta média de pixels entre o primeiro quadro e o último quadro antes da pausa, numa escala de 0–255. O espaço de cor, a resolução, o método de redimensionamento e a região de interesse usados nesses clipes não foram registrados; os scripts do experimento de âncoras usaram imagens em escala de cinza de quadro inteiro a 240 × 240, um convertendo para cinza antes de um redimensionamento por área e outro redimensionando (bilinear) antes de converter, de modo que nem esses dois são idênticos.
- Movimento: diferença entre quadros amostrada a cada 0.2 s e inspeção visual em busca de saltos ou deformações.
- Pausas: duração do arquivo e imobilidade dos quadros finais.
| Produto | Clipe | Duração | Tamanho | Prato giratório / espessura / centro (%) | Pausa depois | Fidelidade ao layout (aprox.) | Fundo mantido | Sobre a borda nos quadros amostrados | Diferença entre extremidades |
|---|---|---|---|---|---|---|---|---|---|
| Poltrona | Figura 20 (ver nota de procedência) | 10 s | 60% | 80 / 4 / 58 | 2 s | sim (relatado) | não: substituído por um estúdio cinza mais escuro | nada visto (relatado) | não registrada individualmente |
| Sofá de canto | Figura 20 | 10 s | 90% | 80 / 4 / 70 | 2 s | sim | sim | nada visto | 0.92 |
| Sofá | Figura 20 | 8 s | 80% | 80 / 10 / 50 | 1 s | sim | sim | nada visto | não registrada individualmente |
| Pufe | Figura 20 | 9 s | 51% | 80 / 5 / 60 | 3 s | sim | sim | nada visto | 0.57 |
Uma nota interna dá o intervalo de 0.57–1.79 para os quatro clipes, e de 1.5–5.5 para quadros separados por 0.2 s durante o giro. O sofá pediu sentido anti-horário e girou no sentido horário. A largura, a espessura e a altura do centro do prato giratório compostos e o tamanho do produto foram seguidos aproximadamente, a olho, nos quatro; o fundo composto foi mantido em três (Seção 5.1). Não é possível derivar dessas verificações visuais uma contagem exata de correspondências do quadro inteiro. Vistos em 0, 2.5, 5 e 7.5 s, no último quadro de origem e no último quadro da pausa, o tamanho, a espessura do prato e a altura do prato diferem por peça conforme definido; o sofá de canto, o sofá e o pufe mantêm o fundo claro, e a poltrona está num estúdio cinza mais escuro desde o quadro 0.

Procedência. Os valores individuais de diferença entre extremidades da poltrona e do sofá, os quadros comparados, o pré-processamento e o comando de cálculo não foram registrados. A nota de avaliação original não identificava o clipe da poltrona sem ambiguidade (uma tomada local e o clipe de produção vinculado têm configurações diferentes); um registro de produção posterior identifica o clipe de produção vinculado. O valor individual de diferença entre extremidades da poltrona continua não registrado, de modo que a linha da poltrona e o intervalo de 0.57–1.79 são relatados internamente, sem reprodutibilidade independente. Trata-se de procedência não resolvida, não de evidência de que os quatro clipes de produção não existiram.
O que essas verificações sustentam. Nenhuma violação visível da permanência no prato nos quadros amostrados, e não a permanência no prato durante todo o giro: os pés podem ficar ocultos, e uma silhueta projetada que cruza a elipse desenhada não é o mesmo que uma área de apoio saindo do prato. Coerência estrutural visível, não fidelidade a superfícies reais não observadas. Uma diferença entre extremidades baixa, não um loop sem emenda: quadros separados por 0.2 s correspondem a cerca de cinco intervalos de quadro a 24 fps, não a um passo comum; os dois intervalos se sobrepõem (1.79 > 1.5); e a semelhança entre extremidades, sozinha, também seria satisfeita por um clipe que mal se move, que inverte o sentido ou que termina numa pose parecida, mas errada. A continuidade do movimento na emenda não foi medida, e nenhum teste de visibilidade da emenda com espectadores foi feito. Quando os clipes foram enviados, a correspondência descreveu a pausa como opcional porque os clipes formariam um loop sem emenda; essa foi uma afirmação na correspondência, não um resultado medido.
| Defeito | Linha de base (sem quadro inicial composto) | Produção (quadro inicial composto) |
|---|---|---|
| R1 tamanho | produto ajustado ao quadro; pufe tão largo quanto o sofá | tamanho definido pelo usuário por peça e visível no quadro inicial composto; mesma largura de prato nos quatro, espessura e posição variadas de propósito |
| R2 permanência no prato | chaise e um pé traseiro sobre a borda nas vistas laterais | sofá de canto a 90%: nada visto nos quadros amostrados |
| R3 extremidades | SSIM 0.85–0.97, 10–15° antes da posição frontal | MAE entre extremidades 0.57–1.79 (relatado internamente); métrica diferente |
A tomada local 3 da poltrona (Seção 3.1), medida com SSIM, deu 0.98.
7.4 Alterações de métricas declaradas
- No experimento de âncoras, os critérios de aprovação foram escritos antes da primeira etapa, mas um limiar absoluto de emenda (último quadro contra o primeiro ≤ 4 níveis de cinza) foi acrescentado depois da primeira etapa, porque a razão de emenda pré-registrada penalizava clipes de movimento lento, e uma métrica de inversão (uma trajetória de ângulo derivada da semelhança com quatro vistas compostas) foi acrescentada depois da segunda etapa, quando as métricas originais deixaram passar uma inversão.
- As verificações de produção não tinham critérios de aprovação escritos previamente.
- O fechamento do loop foi medido como SSIM nos clipes da linha de base e como diferença absoluta média nos clipes de produção. São medidas diferentes e não comparáveis; é preciso um único protocolo aplicado aos dois conjuntos (Seção 11). Uma nova pontuação retrospectiva de todos os clipes locais sob um único protocolo está na Seção 7.7; ela é observacional e não substitui a avaliação planejada.
7.5 Fidelidade ao layout da imagem inicial entre as execuções
| Execução | Modelo | Imagem inicial | Clipes | Fidelidade ao layout aproximada de produto/prato | Fundo mantido |
|---|---|---|---|---|---|
| Experimento de âncoras, B e C | Kling 3.0 Omni | composta (início = fim, ou encadeada) | 6 | 6 de 6 (largura do produto no quadro 0 dentro de 0.7%) | não avaliado |
| Tomada local 1 | Kling 4 | disco plano desenhado | 1 | 0 de 1 | não (composição própria do modelo) |
| Tomadas locais 2–3 | Kling 4 | disco com sombreamento fotográfico | 2 | 2 de 2 | não registrado separadamente |
| Produção | Kling 4 | disco sombreado com sombra de contato | 4 | 4 de 4 | 3 de 4 |
| Refação, só imagem inicial (Seção 7.6) | Kling 4 | disco sombreado, fundo Cinza de estúdio | 5 | 5 de 5 no quadro 0 (relatado); depois o enquadramento derivou em 1 de 5 | estúdio cinza relatado pelo operador nos 5, visto para este relatório nos 4 vinculados a arquivos baixados; níveis de cinza próximos da referência ajustada nos pontos medidos (Seção 5.1) |
| Refação, início = fim (Seção 7.6) | Kling 4 | o mesmo quadro inicial composto como início e fim, definido manualmente | 1 | 1 de 1 | estúdio cinza visto; próximo nos pontos medidos (Seção 5.1) |
Fidelidade ao layout significa aqui o produto e o prato com aproximadamente o tamanho e a posição compostos, avaliados a olho; não é uma correspondência do quadro inteiro. Os seis acertos de layout no Kling 4 reúnem execuções locais de desenvolvimento e execuções de produção com composições, prompts e configurações diferentes. Sob uma hipótese IID, o limite inferior binomial exato de 95% para 6 de 6 seria de cerca de 54%, mas essa hipótese não descreve esta amostra de desenvolvimento agregada. A única falha com disco plano seguida de acertos com disco sombreado motiva a hipótese de que o estilo de renderização do quadro inicial composto afeta a fidelidade; não a estabelece. Nas tomadas locais, com o disco plano desenhado (tomada 1), a saída começou com uma poltrona grande sobre um disco grande; com o disco sombreado (tomadas 2 e 3), começou com a poltrona pequena composta e manteve esse tamanho ao longo do giro. As linhas de refação são relatadas separadamente porque suas medições pelo operador seguiram outro protocolo, porque usaram outro fundo (Cinza de estúdio contra Claro; as contagens de manutenção do fundo dos dois conjuntos não são agregadas) e porque a fidelidade no quadro 0 acabou não implicando que o enquadramento seja mantido depois do quadro 0 (Seção 7.6).
7.6 Deriva do enquadramento durante o giro e o quadro inicial composto como imagem final
Configuração. Seis clipes feitos pelo operador no estúdio após as revisões de sombreamento da Seção 5: Kling 4 reference-to-video, 1080p, 1:1, 10 s mais uma pausa de 2 s depois, Enquadramento personalizado com prato giratório a 80% do quadro, espessura de 4%, centro a 58% a partir do topo e o fundo Cinza de estúdio, ou seja, os parâmetros fixos de um plano de refação anterior aos clipes e que não os registra. Não foram registrados os valores de tamanho por peça, os PNGs de quadro 0 usados, se o quadro 0 continha uma sombra extraída (Seção 5), o prompt tal como enviado nem se os clipes foram feitos em produção ou localmente. As fotos do segundo modelo de cama são três vistas frontais e de três quartos em fundo branco, sem vista traseira nem lateral.
Resultados. A largura do prato (em porcentagem da largura do quadro), o centro do prato (porcentagem da altura do quadro a partir do topo) e o SSIM do primeiro contra o último quadro são medições do operador, amostradas a cada 0.5 s; os arquivos de medição não estão disponíveis. Os valores de SSIM entre colchetes são uma verificação feita para este relatório nas cópias com pausas baixadas (1440 × 1440, 24 fps, 289 quadros de vídeo; fluxo de vídeo de 12.041667 s, contêiner de 12.120816 s porque o fluxo de áudio é mais longo): ssim do ffmpeg (Y, "All") sobre quadros inteiros em escala de cinza, quadro 0 decodificado contra o quadro 240 em 10.000 s, a última amostra de origem antes das 48 cópias da pausa (Seção 4.7). Comparar com o quadro 239 altera os valores em 0.001–0.002. Não se sabe se os dois protocolos, o do operador e este, são iguais.
| Produto | Clipe | Condicionamento | Largura do prato ao longo do clipe | Centro do prato ao longo do clipe | Giro completo | SSIM primeiro vs. último, relatado [este relatório, quadro 0 vs. 240] |
|---|---|---|---|---|---|---|
| Cama (segundo modelo) | clipe da cama só com imagem inicial, não entregue, sem link público | só imagem inicial | 80.0% em 0 s, 89% em 5 s, 97.5% em 8 s, mais de 100% (além das duas bordas do quadro) a partir de 9 s | 58% → 67% | girou; último quadro cerca de 25% maior que o primeiro, de modo que o loop salta | não informado [0.845, cópia baixada atribuída a este clipe pelo conteúdo] |
| Cama (segundo modelo) | clipe da cama início = fim (Figuras 23, 26) | início = fim (o mesmo quadro inicial composto como Primeiro e Último quadro) | 80.0–80.1% em todas as amostras avaliáveis; duas amostras de vista lateral excluídas porque a cama oculta a linha mais larga do prato, o que torna sua largura não avaliável | 58.1% | sim, 360° | 0.993 [0.994] |
| Poltrona | clipe refeito da poltrona (sem figura) | só imagem inicial | 80.1% em todos os quadros amostrados | 58.1% | sim | dentro de 0.993–0.996 [nenhuma cópia baixada identificada com este clipe] |
| Sofá | clipe refeito do sofá (Figura 26) | só imagem inicial | 80.1% | 58.1% | sim | dentro de 0.993–0.996 [0.994] |
| Pufe | clipe refeito do pufe (Figura 26) | só imagem inicial | 80.1% | 58.1% | sim | dentro de 0.993–0.996 [0.997] |
| Sofá de canto | clipe refeito do sofá de canto (Figura 26) | só imagem inicial | 80.1% | 58.1% | sim | dentro de 0.993–0.996 [0.995] |
Os clipes entregues estão vinculados às gerações apenas pelo nome do produto. Amostras a cada 0.5 s em 0–10 s seriam 21 por clipe; o número exato de amostras por clipe do operador não foi registrado, apenas que duas amostras da cama início = fim foram excluídas. As pausas dos cinco clipes entregues foram relatadas como estáticas, "0–1 grey level" entre quadros da pausa; o número do operador é compatível com uma diferença absoluta média por quadro, não com um máximo por pixel. Medido novamente para este relatório em quatro clipes baixados (Seção 4.7): após a primeira cópia, médias por quadro de no máximo 0.010–0.022 e máximos por pixel de 5–11 níveis de cinza; a poltrona não tem cópia baixada vinculada a ela. Outro arquivo de poltrona baixado, da mesma tarde, dá 0.982 pela verificação acima; não pode ser vinculado ao clipe da poltrona entregue e não é usado.
Para este relatório, o quadro 0 e o quadro 240 dos cinco clipes baixados atribuíveis também foram comparados diretamente (escala de cinza, diferença absoluta média): os quatro clipes entregues diferem sobretudo ao longo das bordas (0.48–0.89), enquanto a cama só com imagem inicial termina visivelmente maior (16.54). Um quadro inicial composto da cama, renderizado novamente depois que o clipe só com imagem inicial foi feito (portanto, no máximo uma nova renderização do quadro enviado para aquele clipe, e apenas presumivelmente o PNG definido como Primeiro e Último quadro para o clipe início = fim), corresponde ao quadro 0 gerado nos dois clipes (diferença absoluta média de cinza de 3.08 e 2.13, diferenças nas bordas); no quadro 240, o clipe início = fim ainda corresponde (2.11) e o clipe só com imagem inicial não (15.20: cama e prato maiores). Vista segundo a segundo, a cama só com imagem inicial cresce ao longo do giro, claramente maior a partir de 8 s, até que o prato alcança as duas bordas do quadro em 9.95 s, enquanto a cama início = fim mantém o tamanho e a posição do prato em todos os segundos.




O que esses clipes mostram. No clipe da cama só com imagem inicial, o primeiro quadro gerado seguiu o layout composto, de modo que a fidelidade ao layout no quadro 0 (Seção 7.5) se confirmou, e depois o enquadramento se perdeu: a câmera avançou continuamente ao longo do giro. A linha Camera do prompt ("camera position, aim, focal length, focus, aperture and crop stay constant", Apêndice A) estava na requisição, segundo o relato, e não impediu isso. Os outros quatro clipes só com imagem inicial mantiveram o enquadramento composto em todos os quadros amostrados, de modo que a deriva não apareceu neles; apareceu uma vez, na peça mais profunda e mais alta do conjunto (descrição do operador). Com um clipe por peça, não é possível decidir se ela está ligada a esse formato ou se é um evento aleatório que poderia atingir qualquer peça; portanto, a execução não diz quais produtos estão em risco. Uma mudança de tamanho dentro do clipe já havia sido vista antes sem quadro inicial composto (um clipe de linha de base do Kling 3.0 Omni cresceu 44% durante o giro, Seção 3.1), e os clipes inspecionados no início do trabalho tinham enquadramento estável; os clipes anteriores com quadro inicial composto foram verificados quanto ao tamanho durante o giro apenas a olho, e nenhuma deriva desse tipo com um quadro inicial composto havia sido registrada antes neste trabalho.
A repetição com o quadro inicial composto enviado também como end_image_url (o Kling 4 o aceita) não derivou, e seu prato permaneceu na largura e na posição compostas em todas as amostras avaliáveis (excluídas duas amostras de vista lateral ocultas). É uma tomada por braço, em um produto; mostra que a execução com quadro final não derivou, não que a imagem final impeça a deriva. O braço só com imagem inicial derivou em um de cinco clipes, de modo que um único clipe início = fim sem deriva é também o que uma receita inalterada só com imagem inicial produziria com frequência. O condicionamento das extremidades é um objetivo que favorece a concordância entre o último e o primeiro quadro, não uma garantia dela, e sua contribuição para o SSIM observado de 0.993 (0.994 na verificação) não foi medida: os quatro clipes só com imagem inicial chegaram a valores semelhantes sem ele. Um valor alto seria compatível com uma rotação artificial ou descontínua no intervalo, de modo que não demonstra por si só um loop sem emenda (a Seção 7.3 lista o que a semelhança entre extremidades não pode mostrar).
Risco em aberto: ausência de giro. Com imagens inicial e final idênticas, terminar onde começou também é satisfeito por um produto que não gira, ou que gira em parte e volta. A cama deu um giro completo em sua única tomada, assim como o clipe automático início = fim da poltrona (abaixo, Figura 27). Com amostragem a cada 0.5 s, não se exclui uma breve ultrapassagem ou inversão entre amostras; nenhuma métrica de inversão (Seção 7.4) foi aplicada. Observado uma vez em cada uma de duas configurações, sem demonstração de que se mantenha.
Relação com a condição de âncoras início = fim. Aquele experimento usou o Kling 3.0 Omni a 720p, a poltrona verde e quadros-âncora compostos por scripts separados; um de seus três clipes início = fim ultrapassou a pose e voltou, e o trabalho com esse modelo foi interrompido por esse motivo. O presente clipe difere no modelo (Kling 4), na resolução (1080p), no produto (uma cama), na composição (o próprio compositor do estúdio com o fundo Cinza de estúdio) e na finalidade (manter o enquadramento, não fechar o loop). Os dois não são comparáveis, e este clipe não contradiz a falha anterior: o condicionamento início = fim produziu até agora uma inversão em um de três clipes em um modelo e um giro completo em cada um de dois clipes em outro (um definido manualmente, um automático, Seção 7.6 e abaixo), o que não constitui uma taxa em nenhum dos dois.
Chegada antecipada e uma pausa mais longa (observação em aberto). No clipe da cama início = fim, a cama chegou à pose frontal em cerca de 9.0 s, e não no fim do giro de 10 s: o SSIM em relação ao primeiro quadro foi de 0.904 em 8 s, 0.929 em 8.5 s e 0.993 em 9 s, e de 9 a 10 s a cama ficou quase parada (variação entre quadros de cerca de 0.05, contra cerca de 1.0 durante o giro; unidades conforme medidas pelo operador). Com a pausa de 2 s acrescentada, a pausa visível foi, portanto, de cerca de 3 s em vez dos 2 s pedidos. O pufe, feito sem imagem final, fez o mesmo, chegando à frente em cerca de 8.5 s, de modo que sua pausa visível foi de cerca de 3.5 s; o sofá de canto, o sofá e a poltrona só chegaram à frente em 10 s. Os momentos de chegada são aproximados e se baseiam na semelhança de pose com o quadro 0; a imobilidade antes do fim do giro é o número do operador para a variação entre quadros, não um segmento parado medido. Esses números são do operador; os arquivos de medição não estão disponíveis. Uma verificação feita para este relatório nas cópias com pausas baixadas (SSIM em escala de cinza do quadro decodificado em cada instante contra o quadro 0 decodificado, por busca) deu 0.920, 0.931 e 0.992 em 8, 8.5 e 9 s para a cama início = fim, 0.987 e 0.996 em 8 e 8.5 s para o pufe, e 0.961, 0.978 e 0.995 em 9, 9.5 e 10 s para o sofá de canto, um padrão compatível com os valores do operador, mas por outro protocolo. Uma série por quadro calculada para este relatório (SSIM contra o quadro 0 em resolução total; variação média entre quadros em escala de cinza a 480 px) reproduz esses valores pontuais; para a cama, a variação entre quadros cai de uma média de 1.30 em 1–8 s para 0.054 em 9–10 s, o mesmo padrão do "cerca de 1.0 contra 0.05" do operador em outra escala, e o SSIM da cama só com imagem inicial contra o quadro 0 fica perto de 0.84–0.85 até o fim. Um clipe sem imagem final mostrou a mesma chegada antecipada, e o clipe automático início = fim da poltrona (abaixo) não chegou antes (0.42 s antes do fim): um dos dois clipes início = fim atingiu o limiar de chegada antecipada e o outro não, de modo que a relação com a imagem final continua incerta; um clipe de cada não mostra com que frequência isso acontece. Um remédio possível, não implementado, é detectar o segmento parado antes do fim do giro e cortá-lo, de modo que a pausa acrescentada seja a única pausa.

Situação. No clipe medido, a imagem final foi definida manualmente: o PNG do quadro composto foi colocado nos blocos de Primeiro quadro e Último quadro do estúdio, o que segue o caminho do primeiro quadro do usuário, e não o upload automático do quadro composto. Depois desse clipe, o envio automático do quadro composto como imagem final foi implementado e publicado (Seção 4.4): com Rotação Auto ou 360°, ele agora é o padrão com Enquadramento personalizado. Não se aplica à rotação de 270°, cuja pose final difere da inicial; o Vaivém ±90° volta a 0° e poderia usá-lo, mas não foi testado e está excluído. A decisão de publicar se apoia nessa única comparação pareada e em critério de produto; não é evidência do efeito, e os riscos acima (ausência de giro, chegada antecipada) valem para todo clipe feito pelo caminho automático. Há até agora um clipe desse tipo registrado (a poltrona abaixo): deu um giro completo, não chegou antes e manteve o enquadramento, enquanto seu gêmeo só com imagem inicial avançou.
Entrega. Cinco desses clipes (todos menos a cama só com imagem inicial que derivou) foram enviados ao cliente como links públicos com instruções de autosserviço, segundo o operador. O veredito do cliente não foi recebido, e nada neste relatório deve ser lido como aceitação.

Um segundo par, feito pelo caminho automático. Pouco depois de a imagem final automática ser publicada, o operador fez no estúdio dois clipes da poltrona verde do experimento de âncoras (Seção 3) com configurações idênticas: Kling 4 reference-to-video, 720p, 1:1, 10 s mais uma pausa de 1 s, tamanho 50%, prato giratório 80%, espessura 4%, centro a 70% a partir do topo, Cinza de estúdio, Rotação Auto, cinco fotos (quatro no elemento do produto, uma como referência simples). O primeiro foi presumivelmente feito em uma página do estúdio carregada antes da publicação e não recarregada (o momento de carregamento da página não foi registrado); o segundo, após recarregar, com os blocos automáticos de primeiro e último quadro visíveis, de modo que o quadro composto foi como imagem inicial e final. Que o primeiro clipe não levava imagem final é inferido do momento e do estado da página, não lido na requisição, porque o registro da geração não mostra se uma imagem final foi enviada. As saídas baixadas (940 × 940, 265 quadros = quadros 0–240 da origem de 10 s mais 24 cópias da pausa) foram primeiro pontuadas como não atribuídas na Seção 7.7 e só depois vinculadas a essas duas gerações pelo registro da sessão. Como a condição só com imagem inicial do primeiro clipe se baseia em inferência, este é um par aproximadamente equivalente cuja atribuição de condições se baseia em parte em inferência. Medido com o protocolo da Seção 7.7 (E = quadro 240):
| Produto | Clipe | Condicionamento | Largura do prato ao longo do clipe | Centro do prato ao longo do clipe | Giro completo | Quadro 0 vs. 240: SSIM / MAE |
|---|---|---|---|---|---|---|
| Poltrona verde | clipe da poltrona só com imagem inicial (Figura 27) | só imagem inicial (inferido) | 80.1% em 0 s, 91.2% em 1 s, além das duas bordas do quadro de 1.25 s até o fim | 70.2% → 83.1% (intervalo 70.2–83.3%) | girou enquanto a câmera avançava até um close; nunca volta ao limiar de semelhança com a frente da Seção 7.7 | 0.832 / 24.68 |
| Poltrona verde | clipe da poltrona início = fim (Figura 27) | início = fim (automático) | 80.1% em todas as 41 amostras (a cada 0.25 s) | 70.1–70.2% | sim, frente → lado → costas → lado → frente, a olho | 0.993 / 1.89 |
As medições feitas pelo operador na ocasião (a cada 0.5 s, protocolo não registrado) concordam na direção: 81%, subindo além das bordas do quadro por volta de 3 s no clipe só com imagem inicial; 79.9% e 70% do início ao fim, SSIM do primeiro contra o último de 0.991 e uma pausa estática de 1 s no clipe início = fim. Divergem quanto ao momento em que o prato passa pela primeira vez das bordas do quadro (cerca de 3 s contra 1.25 s aqui); a Seção 7.7 usa os valores da tabela. O clipe início = fim atingiu o limiar de semelhança com a frente 0.42 s antes do último quadro de origem, portanto não chegou antes (a Seção 7.7 conta 1 s ou mais). Sua razão de emenda é 4.05 para uma emenda absoluta de 1.89 níveis de cinza, porque a poltrona pequena se move pouco por quadro (passo mediano de 0.47); lidas em conjunto, como pede a Seção 7.7, a razão exagera o salto.
Isso repete a mudança de uma única variável do par da cama em um segundo produto, numa segunda resolução (720p contra 1080p) e numa segunda altura do prato (70% contra 58%), e pelo caminho automático em vez de manualmente, com o mesmo resultado: o braço só com imagem inicial avançou, o braço início = fim manteve o enquadramento composto. Continua sendo uma tomada por braço. A deriva só com imagem inicial veio aqui mais cedo e foi mais forte que a da cama; entre esses clipes, a receita só com imagem inicial derivou em dois de seis (a cama e esta poltrona) e se manteve em quatro.

Interpretação, restrita a esses dois pares. O enquadramento é uma restrição geométrica (o mesmo tamanho no mesmo lugar). A tomada da cama só com imagem inicial derivou, embora já levasse a imagem inicial composta além das palavras do prompt; a tomada seguinte, condicionada à mesma imagem no início e no fim, não derivou. O mesmo aconteceu com a poltrona verde a 720p pelo caminho automático. O efeito da intervenção e a origem da variação continuam desconhecidos: dois pares com uma tomada por braço não conseguem separar a imagem final da variação entre tomadas. Isso é compatível com a observação principal do relatório, de que o layout chega ao modelo por imagens e não por texto (Seção 12), mas não a testa; o teste controlado é a ablação 5 da Seção 11.
7.7 Comparação retrospectiva
Situação. Depois que as Seções 7.2–7.6 foram escritas, todos os clipes de prato giratório deste trabalho disponíveis localmente foram pontuados novamente com um único protocolo, apenas a partir de arquivos locais, sem nova geração e sem nenhum serviço pago. A comparação é retrospectiva e observacional. Os clipes foram feitos antes de o protocolo existir, com configurações variadas de forma deliberada ou adaptativa, na maioria um clipe por condição. Nada nesta seção é uma taxa, um tamanho de efeito ou um resultado causal, e onde uma condição tem n = 1 o número descreve apenas aquele clipe. A seção responde à necessidade de um único protocolo entre conjuntos levantada na Seção 7.4; não substitui a avaliação controlada da Seção 11.
Protocolo (idêntico para todos os clipes). Decodificação: ffmpeg, todos os quadros decodificados (temporização passthrough, sem duplicação), redimensionados por área para 512 × 512 px (todos os clipes são quadrados), matriz YUV→RGB forçada para BT.709 de faixa limitada qualquer que seja a etiqueta do arquivo (alguns arquivos não têm etiqueta), RGB de 8-bit; cinza = 0.2126 R′ + 0.7152 G′ + 0.0722 B′ (os pesos de luma Rec.709 aplicados aos valores com codificação gama), em ponto flutuante, 0–255. Imagens iniciais compostas: alfa sobre branco, redimensionamento por área para 512 px, os mesmos pesos. Fim do movimento: o segmento de movimento são os quadros 0…E, em que E é o último quadro de origem antes de uma pausa acrescentada. E é tirado da estrutura de arquivo registrada (saídas originais: o último quadro; arquivos com pausas: quadro 240 para uma origem de 10 s, 192 e 216 para o sofá e o pufe de produção). Um detector é executado em todos os clipes, mas usado apenas onde nada está registrado (no conjunto final, em nenhum clipe): uma pausa é a sequência final de quadros cujo MAE entre quadros adjacentes fica abaixo de 0.03 níveis de cinza (tolerada uma oscilação de quadro-chave abaixo de 0.25), e E é o quadro anterior a essa sequência. Ele concorda com o registro dentro de um quadro nos arquivos com pausas, falha no pufe de produção (240 em vez de 216, interrompido por duas oscilações de quadro-chave) e sinaliza na tomada local 2, original e sem pausa, uma cauda parada de 16 quadros que o próprio modelo produziu, de modo que um detector de sequências paradas não distingue uma pausa acrescentada da parada do próprio modelo. Regiões: quadro inteiro e uma caixa central fixa (linhas 20–80%, colunas 25–75%; a mesma para todos os clipes, não uma máscara do produto). Métricas: (1) SSIM das extremidades [27] (janela gaussiana 11 × 11, σ 1.5, K1 0.01, K2 0.03, L 255, preenchimento por reflexão, média sobre a região) e MAE do quadro 0 contra o quadro E; (2) MAE da emenda = MAE(quadro E → quadro 0), o passo que o espectador vê quando o segmento de movimento entra em loop, passo mediano entre quadros adjacentes dentro de 0…E, e razão de emenda = MAE da emenda ÷ passo mediano (1 = um passo comum; a linha de aprovação do experimento de âncoras era ≤ 2.0); para arquivos com pausas, trata-se do loop do segmento de movimento, não do arquivo com pausas; (3) deriva do enquadramento: um detector do prato a cada 6 quadros (0.25 s) mais E, que mede o topo iluminado do prato (largura em % da largura do quadro, centro em % da altura do quadro), validado em imagens compostas de geometria conhecida (quadros definidos em 76 / 56 são lidos como 76.0 / 56.0–56.2; 80 / 58 como 80.1 / 58.1; 80.0 / 77.9 como 80.3 / 79.0), com o primeiro e o último quadro de movimento de cada clipe verificados a olho e classificados como ok (20 clipes), borda (o prato alcança uma borda do quadro, de modo que a largura é um limite inferior; 20) ou não confiável (7), e larguras relatadas só para ok; mais uma linha do topo do produto, independente do detector, cujo intervalo ao longo do clipe é relatado onde é válido; (4) layout em relação à imagem inicial composta, onde ela foi armazenada: MAE e SSIM contra o quadro 0 gerado, diferenças de largura e centro do prato, e MAE contra o quadro E; (5) uma leitura parcial da rotação: SSIM da caixa central de um quadro a cada 2 contra o quadro 0, que dá o momento de menor semelhança, um limiar de semelhança com a frente (min + 0.8 (1 − min)), quantos segundos antes de E o clipe volta a atingi-lo (chegada antecipada), as amostras no meio do clipe acima dele e a cauda parada dentro do segmento de movimento. A leitura (5) não mede o sentido: uma inversão que nunca passa pela frente é invisível para ela, e a própria métrica de inversão do experimento de âncoras é citada, não recalculada.
Clipes. Após a remoção de duplicatas idênticas byte a byte, foram pontuados 46 clipes vinculados aos grupos deste relatório (dois deles, o par da poltrona da Seção 7.6, primeiro pontuados como não atribuídos e vinculados às suas gerações depois, com o quadro final então tirado de suas configurações); arquivos que não puderam ser vinculados a uma geração registrada foram excluídos de todas as comparações. Para o experimento de âncoras, foram pontuadas as saídas originais do provedor, e não recodificações posteriores.
| Grupo | n | SSIM das extremidades, quadro inteiro: mediana [mín–máx] | MAE das extremidades, quadro inteiro | Razão de emenda |
|---|---|---|---|---|
| Exemplos do modelo da plataforma | 2 | 0.514 [0.183–0.846] | 52.04 [6.30–97.78] | 31.84 [3.06–60.62] |
| Primeiros clipes do próprio cliente | 5 | 0.906 [0.717–0.989] | 6.52 [1.46–16.46] | 3.11 [0.96–8.24] |
| Testes do prompt v8 | 6 | 0.910 [0.849–0.969] | 4.16 [1.51–11.72] | 2.40 [0.55–12.92] |
| Tomadas com a camada oculta | 5 | 0.904 [0.775–0.989] | 3.75 [1.17–16.21] | 1.01 [0.34–5.67] |
| Linha de base, sem quadro composto (Seção 7.2) | 4 | 0.930 [0.860–0.988] | 4.21 [1.54–5.51] | 1.99 [0.91–2.24] |
| Conjunto de referências de quatro vistas gerado | 1 | 0.967 | 1.93 | 2.49 |
| Experimento de âncoras, Condição A (só prompt) | 3 | 0.899 [0.784–0.919] | 7.61 [7.08–21.65] | 10.55 [5.26–14.10] |
| Experimento de âncoras, Condição B (imagem inicial e final) | 3 | 0.996 [0.986–0.996] | 1.79 [1.73–1.93] | 1.98 [1.56–2.20] |
| Experimento de âncoras, Condição C (encadeado) | 3 | 0.994 [0.993–0.994] | 4.06 [3.47–4.69] | 5.52 [4.90–6.00] |
| Tomadas locais com início composto | 3 | 0.995 [0.985–0.996] | 1.36 [1.12–1.58] | 3.29 [0.70–4.16] |
| Produção, início composto (Seção 7.3) | 4 | 0.995 [0.994–0.997] | 0.66 [0.41–1.24] | 1.15 [1.09–1.43] |
| Refação, só imagem inicial (Seção 7.6) | 4 | 0.996 [0.803–0.996] | 0.69 [0.44–16.08] | 1.29 [0.96–10.39] |
| Refação, imagem inicial e final (Seção 7.6) | 1 | 0.996 | 0.50 | 0.41 |
| Par da poltrona, só imagem inicial (Seção 7.6) | 1 | 0.832 | 24.68 | 11.78 |
| Par da poltrona, imagem inicial e final, automático (Seção 7.6) | 1 | 0.993 | 1.89 | 4.05 |
Os grupos reúnem clipes que diferem em produto, modelo, resolução, prompt e configurações (Figura 28). Os valores de MAE do experimento de âncoras reproduzem as próprias diferenças entre extremidades daquele experimento (21.8 / 7.7 / 7.2; 2.1 / 1.9 / 1.9; 3.5 / 3.9 / 4.5) dentro de 0.2 níveis de cinza, com outra decodificação e outro tamanho.

Pares quase equivalentes. Apenas seis comparações em todo o conjunto diferem em um único fator registrado. Cada uma tem n = 1 por braço, exceto a comparação do experimento de âncoras (n = 3 por braço). P3 e P6 testam a mesma mudança, o quadro composto acrescentado como imagem final, em dois produtos e duas resoluções, definida manualmente e automaticamente. Diferenças não registradas (semente, estado do lado do provedor) não são controladas em nenhum par.
| # | Par | O único fator registrado que difere | Mantido igual | SSIM / MAE das extremidades / razão de emenda | Enquadramento e layout | Leitura da rotação |
|---|---|---|---|---|---|---|
| P1 | Experimento de âncoras, Condição A vs. Condição B (n = 3 + 3) | quadro frontal composto enviado como imagem inicial e final (requisições de resto idênticas) | Kling 3.0 Omni 720p sem som 10 s, poltrona verde, cinco fotos, texto do prompt | A: 0.784 / 0.920 / 0.899; 21.65 / 7.61 / 7.08; 14.1 / 10.5 / 5.3; B: 0.986 / 0.996 / 0.996; 1.93 / 1.79 / 1.73; 2.20 / 1.98 / 1.56 | B prato 80.1% / 79.0% em todas as amostras; A prato não confiável (dois clipes) ou além da borda do quadro (um); intervalo do topo do produto A 15.0 / 2.7 / 3.1 pts, B 2.0 / 1.2 / 1.2; MAE do quadro 0 vs. frente composta A 24.7 / 24.2 / 24.2 (frente não enviada), B 2.4 / 2.8 / 3.1 | um clipe B tem 2 amostras semelhantes à frente no meio do clipe, compatível com a ultrapassagem registrada; o retorno registrado de um clipe A não é visível nesta leitura |
| P2 | Tomada local 1 vs. tomada 2 | disco composto desenhado plano vs. sombreado | Kling 4 720p 10 s, poltrona, tamanho 50 / prato 76 / centro 56 / espessura 3, endpoint, prompt, configurações | 0.985 vs. 0.995; 1.12 vs. 1.58; 0.70 vs. 4.16 | tomada 1: prato além da borda do quadro (composição do próprio modelo), MAE do quadro 0 vs. composto 54.4, largura +24.0 pts; tomada 2: 76.0–76.2% / 56.2–56.7%, MAE 3.4, largura 0.0 | a tomada 2 tem uma cauda parada de 0.6 s feita pelo modelo, que reduz seu passo mediano e infla sua razão de emenda |
| P3 | Cama refeita, só imagem inicial vs. imagem inicial e final | o mesmo quadro composto enviado também como imagem final (definido manualmente) | Kling 4 1080p 10 s + pausa de 2 s, segundo modelo de cama, prato 80 / 4 / 58, Cinza de estúdio, prompt conforme relatado | 0.803 vs. 0.996; 16.08 vs. 0.50; 10.4 vs. 0.41 | só imagem inicial: 80.1% em 0 s, depois além das duas bordas do quadro, centro 58.1 → 63.2%; início e fim: 79.7–80.1% / 57.5–59.2%; MAE do quadro 0 vs. composto 4.09 vs. 3.17, quadro E vs. composto 14.57 vs. 3.17 (imagem composta presumida, Figura 22) | início e fim: limiar de semelhança com a frente atingido 1.17 s antes de E |
| P4 | Testes da poltrona com prompt v8, T4 vs. T4b | conjunto de referências: cinco fotos (a quinta encaminhada como referência separada) vs. quatro fotos no elemento | Kling 4 720p 10 s, prompt v8, poltrona verde | 0.969 vs. 0.941; 1.51 vs. 2.30; 0.55 vs. 0.91 | os dois pratos além das bordas do quadro (n/a) | T4 começa e termina de costas (Seção 3.1), de modo que seus melhores números de extremidade não verificam a pose inicial |
| P5 | Sofá azul com prompt v8 no Kling 3.0 Omni vs. Kling 4 | modelo (e, com ele, tamanho de saída, 960 vs. 940 px, e som conforme o modelo) | prompt v8, sofá azul, fotos, 720p, 10 s | 0.849 vs. 0.879; 11.72 vs. 5.89; 12.9 vs. 3.0 | os dois pratos nas bordas do quadro (n/a) | nenhum volta ao limiar de semelhança com a frente |
| P6 | Par da poltrona, só imagem inicial vs. imagem inicial e final | o quadro composto enviado também como imagem final (automático; sua ausência no clipe só com imagem inicial é inferida, Seção 7.6) | Kling 4 720p 10 s + pausa de 1 s, poltrona verde, cinco fotos, tamanho 50, prato 80 / 4 / 70, Cinza de estúdio, Rotação Auto | 0.832 vs. 0.993; 24.68 vs. 1.89; 11.8 vs. 4.05 (passo mediano 2.09 vs. 0.47, de modo que a emenda de 1.89 níveis parece alta como razão) | só imagem inicial: 80.1% em 0 s, 91.2% em 1 s, além das duas bordas do quadro a partir de 1.25 s, centro 70.2 → 83.1% (intervalo 70.2–83.3%); início e fim: 80.1% / 70.1–70.2% em todas as 41 amostras; imagem composta não armazenada | só imagem inicial nunca volta ao limiar de semelhança com a frente; início e fim o atinge 0.42 s antes de E, sem amostra semelhante à frente no meio do clipe |
Todas as outras comparações diferem em mais de um fator registrado: tomada local 2 vs. tomada 3 (sombra de contato, uma nova linha Motion e a pausa no navegador, em bloco); Condições de âncora B vs. C (encadeamento, prompt por segmento, âncoras finais, duração); linha de base vs. produção por produto (quadro composto, camada do prompt, fundo, tamanho, prato, duração e pausa); produção vs. refação por produto (fundo, espessura, centro, tamanho, pausa, sombra, estado do prompt); os clipes refeitos só com imagem inicial entre si (só o produto, mas n = 1 por produto, de modo que as diferenças não podem ser separadas da variação entre tomadas); os dois clipes do sofá creme do cliente (modelo, duração, som); os testes do prompt v8 vs. Condição A (produto, fotos, modelo, montagem da requisição); Condições A/B vs. a cama refeita com imagem inicial e final (modelo, resolução, produto, compositor, fundo, prompt); e as tomadas com a camada oculta entre si (versão da camada, produto, resolução, modo de rotação).
Leituras, restritas ao que os números mostram. A semelhança entre extremidades sozinha não separa os problemas: uma tomada com a camada oculta registrada como invertendo em 180° tem SSIM das extremidades de 0.989 (MAE 1.17), o mais alto fora dos grupos com quadro composto; T4, que começa e termina de costas, supera T4b em todos os números de extremidade; clipes em Vaivém que voltam à frente pontuam como loops. O SSIM e o MAE das extremidades verificam apenas que o último quadro de movimento se parece com o primeiro, nada sobre o giro. Dentro dos clipes observados, os clipes com início composto que o modelo seguiu (Condições B e C, tomadas locais 2–3, produção, os clipes refeitos exceto a cama só com imagem inicial, e o clipe da poltrona com início e fim; n = 17) têm SSIM das extremidades de 0.986–0.997 e MAE de 0.41–4.69, e os clipes só com prompt (cliente, testes do prompt v8, tomadas com a camada oculta, linha de base, clipe do conjunto de referências de quatro vistas, Condição A; n = 24) têm SSIM de 0.717–0.989 e MAE de 1.17–21.65; produto, modelo, resolução, prompt e data diferem entre esses grupos, de modo que isso descreve a amostra, não um efeito. A deriva do enquadramento foi vista tanto sem quadro composto (o topo do produto de um clipe da Condição A se move 15 pontos; o prato de outro está além do quadro) quanto com ele (os braços só com imagem inicial de P3 e P6). Dos 20 clipes com leitura do prato utilizável, 16 mantêm a largura do prato dentro de 0.8 ponto e o centro dentro de 1.7 ponto ao longo do segmento de movimento; os dois sofás de produção variam 2.3–2.5 pontos na largura e 2.1–4.0 no centro, plausivelmente porque o sofá cobre a linha mais larga do prato nas vistas laterais (uma limitação do detector, sem demonstração de que seja movimento de câmera); a cama refeita só com imagem inicial (20.7 pontos de largura e 5.1 de centro antes de o prato sair do quadro) e a poltrona só com imagem inicial (19.9 e 13.1, além do quadro a partir de 1.25 s) são os dois avanços da câmera entre os clipes pontuados, e nos dois pares o gêmeo com início e fim manteve o prato. A razão de emenda depende da velocidade com que o clipe se move: os clipes encadeados da Condição C (passo mediano de cerca de 0.7) dão 4.9–6.0 com emendas de 3.5–4.7 níveis de cinza, e a cauda parada feita pelo modelo na tomada local 2 dá 4.16, de modo que a razão e o MAE absoluto da emenda precisam ser lidos em conjunto. A chegada antecipada (limiar de semelhança com a frente atingido pelo menos 1 s antes de E) aparece na cama refeita com início e fim (1.17 s), no pufe refeito (1.75 s) e em uma tomada com a camada oculta (1.00 s); a poltrona automática com início e fim só o atinge 0.42 s antes de E, de modo que, dos dois clipes com início e fim, um chegou antes e o outro não.
Onde estes números diferem de números em outras partes deste artigo. Nenhum dos valores anteriores é substituído; cada um pertence ao seu próprio protocolo, e os valores não são intercambiáveis entre protocolos.
- Clipes refeitos, quadro 0 contra quadro 240: este protocolo (512 px, a implementação de SSIM acima sobre cinza Rec.709) dá 0.996 para a cama com início e fim, o sofá, o pufe e o sofá de canto, e 0.803 para a cama só com imagem inicial. A verificação da Seção 7.6 (
ssimdo ffmpeg, Y, 1440 px, quadro 240) dá 0.994 / 0.994 / 0.997 / 0.995 / 0.845; os valores do operador (protocolo não registrado) são 0.993 para a cama com início e fim e dentro de 0.993–0.996 para os clipes só com imagem inicial. - Clipes refeitos, quadro 0 contra quadro 240, MAE: 0.44–0.79 para os quatro clipes entregues e 16.08 para a cama só com imagem inicial aqui, contra 0.48–0.89 e 16.54 na Seção 7.6 e na Figura 21 (a decodificação em escala de cinza do conjunto de figuras).
- Quadro composto da cama contra a saída: MAE do quadro 0 de 4.09 (só imagem inicial) e 3.17 (início e fim), quadro E 14.57 e 3.17 aqui, contra 3.08 / 2.13 e 15.20 / 2.11 na Figura 22 (a comparação do conjunto de figuras em seu próprio tamanho).
- Par da poltrona: clipe com início e fim, SSIM do quadro 0 contra o quadro 240 de 0.993 aqui, contra 0.991 do operador (protocolo não registrado); clipe só com imagem inicial, prato além das bordas do quadro a partir de 1.25 s aqui, contra cerca de 3 s nas amostras de 0.5 s do operador.
- Geometria do prato dos quatro clipes refeitos entregues: 79.3–80.1% de largura e 57.0–59.2% de centro ao longo do giro por este detector, contra 80.1% / 58.1% do operador em todas as amostras (Seção 7.6).
- Chegada antecipada: a cama com início e fim 1.17 s e o pufe 1.75 s antes de E aqui, contra cerca de 1 s e 1.5 s pelos valores pontuais de SSIM do operador e da Seção 7.6.
- MAE das extremidades na produção: sofá de canto 0.62 e pufe 0.41 aqui, contra 0.92 e 0.57 na Seção 7.3 (protocolo não registrado); a poltrona (0.70) e o sofá (1.24), não registrados individualmente na Seção 7.3, são medidos aqui, de modo que o intervalo dos quatro clipes é 0.41–1.24 por este protocolo, contra 0.57–1.79 relatado internamente.
- SSIM das extremidades da linha de base: 0.860–0.988 aqui (o sofá dá 0.988), contra 0.85–0.97 na Seção 7.2 (o protocolo da própria linha de base).
- Tomada local 3: 0.996 aqui contra 0.98 na Seção 7.3.
- MAE do experimento de âncoras: dentro de 0.2 níveis de cinza de suas próprias diferenças entre extremidades (acima).
- Razão de emenda de T4 e T4b: 0.55 e 0.91 aqui, contra 0.49 e 0.88 (quadro inteiro) na calibração do experimento de âncoras e 1.0 e 1.5 (recorte central) na análise anterior (Seção 3.1).
Ressalvas. A comparação é observacional: todos os clipes são anteriores ao protocolo, e nenhum clipe foi feito para testá-lo. Os grupos são confundidos: produto, modelo, resolução, versão do prompt, composição, fundo e data mudam juntos entre eles, de modo que as diferenças entre grupos não podem ser atribuídas ao quadro composto nem a qualquer outra coisa. O SSIM das extremidades sozinho engana: uma tomada invertida pontua 0.989 e uma tomada iniciada de costas (T4) supera seu par, por isso os números de extremidade são lidos junto com as leituras de enquadramento, emenda e rotação e com os próprios quadros. As células são pequenas: n = 3 por braço em P1, n = 1 por braço em P2–P6 (a mudança da imagem final tem dois desses pares, em dois produtos), n = 1 para cada clipe com início e fim da Seção 7.6 e um clipe por produto no grupo refeito só com imagem inicial. O detector do prato mede o topo iluminado e pode ler alguns pontos a menos em pratos sombreados, e produtos que cobrem a linha mais larga do prato deslocam a linha escolhida; a leitura da rotação não mede o sentido. Dois clipes discutidos neste artigo não têm cópia local e não foram pontuados (o clipe com Layout numérico e a poltrona refeita), e as imagens iniciais compostas não foram armazenadas para os clipes de produção e para os clipes refeitos só com imagem inicial, de modo que a leitura de layout não está disponível para eles. Nenhuma afirmação causal é feita a partir de nenhum desses números.
8. Comparação com alternativas
8.1 Abordagens testadas (detalhes na Seção 3)
| Abordagem | R1 tamanho | R2 permanência no prato | R3 extremidades | Inversão | Sequência em movimento gerada pelo modelo | Situação |
|---|---|---|---|---|---|---|
| Redação do prompt e camadas ocultas (Kling 3.0 Omni, Kling 4) | não controlado | falhou no sofá de canto | SSIM 0.85–0.97, aquém da frente | — | sim | abandonada |
| Apenas a linha de Layout numérico (Kling 4, 1 clipe) | ignorado | — | — | — | sim | abandonada |
| Quadro composto início = fim (Kling 3.0 Omni, 3 clipes) | 3/3 dentro de 3% | 3/3, 16 quadros a olho | 3/3 ≤ 4 níveis de cinza | 1/3 ultrapassou e voltou | sim | interrompida |
| Quatro clipes encadeados de 90° (Kling 3.0 Omni, 3 clipes, 12 chamadas ao provedor) | 3/3 | 3/3, 16 quadros a olho | 2/3 ≤ 4 níveis de cinza | 1/3 invertido | sim | interrompida |
| Conjunto de referências de quatro vistas gerado (Kling 4, 1 clipe) | — | nada visto nos quadros amostrados | extremidades perto da frente, não coincidentes | — | sim; deriva estrutural | abandonada |
| Renderização 3D | explicitamente controlável numa cena configurada corretamente | controlável (cena e trajetória) | controlável (trajetória periódica) | controlável | não | não executada |
| Quadro inicial composto (Kling 4, publicado) | definido pelo usuário no quadro 0; layout seguido aproximadamente em 6/6, fundo mantido em 3/4 clipes de produção; rodada de refação: quadro 0 seguido em 5/5, depois o enquadramento derivou até o prato sair do quadro em 1/5 (cama) | 4/4 nada visto nos quadros amostrados | MAE 0.57–1.79, 4/4 (relatado internamente); SSIM da refação 0.993–0.996 em 4/5, cama 25% maior no fim | 0 visto no sentido padrão; 1/1 sentido não padrão ignorado | sim | em produção |
| Quadro composto como imagem inicial e final (Kling 4, 2 clipes: cama definida manualmente, poltrona automática) | enquadramento mantido em todas as amostras avaliáveis nos dois (excluídas duas vistas laterais ocultas da cama) | não avaliado separadamente | SSIM 0.993 cama (operador), 0.993 poltrona (protocolo da Seção 7.7), em parte o próprio condicionamento; cama chegou à frente cerca de 1 s antes, depois quase parada; poltrona sem chegada antecipada | giro completo nos dois, nenhuma vista na amostragem usada; não medido | sim | automático em Auto / 360° desde a mesma noite; um clipe do caminho automático registrado (a poltrona) |
Os limiares e os produtos diferem entre as linhas, de modo que a tabela não é uma comparação controlada. A condição início = fim no Kling 3.0 Omni atendeu aos mesmos três defeitos nomeados em seus três clipes, segundo seus próprios limiares; sua falha foi no critério adicional de inversão, e o trabalho com esse modelo foi interrompido. Com Enquadramento personalizado e um recorte, há agora três caminhos de requisição: o quadro inicial composto apenas como imagem inicial (270° e Vaivém, ou um modelo sem imagem final); o quadro inicial composto como imagem inicial mais o mesmo quadro como imagem final automática (Auto e 360°); e o quadro inicial composto como imagem inicial mais uma imagem final fornecida pelo usuário, que ainda leva condicionamento por imagem final, mas substitui a extremidade automática e não foi testada aqui. Um primeiro quadro definido pelo usuário substitui por completo o quadro inicial composto. O método em produção foi escolhido como um compromisso de engenharia: um modelo mais novo, uma única geração por clipe, uma pré-visualização visível para o usuário e nenhuma inversão observada no sentido padrão, ao custo de uma taxa não medida.
8.2 Pratos giratórios renderizados em 3D
Uma plataforma 3D renderiza o giro a partir de um modelo 3D; o artigo da Cylindo descreve a renderização de "32 frames of the product rotating 360 degrees while the camera remains static" [25]. Com um modelo preciso, escala, permanência no prato, fechamento do loop, amplitude e enquadramento se tornam explicitamente controláveis, mas não decorrem apenas da renderização: só valem numa cena configurada corretamente, com uma escala física comum e as dimensões reais de cada produto, o produto posicionado e verificado em relação à área de apoio do prato (nenhuma parte além da borda do prato em nenhum ângulo) e uma trajetória periódica cujo último ângulo amostrado fica um passo antes do primeiro, para que a emenda seja contínua. O custo é modelar cada produto com seus materiais. A rota foi projetada, não testada (Seção 3.1). Não foram obtidos arquivos 3D para este cliente, e os geradores de foto para 3D adivinham as superfícies ocultas.
8.3 Conjuntos de giro fotografados
Um prato giratório motorizado sincronizado com uma câmera, como a Turning Platform da PhotoRobot [26], cuja página descreve "software-driven controls" que "ensure smooth turntable rotation in sync with precise camera capture" para produtos que incluem móveis, captura o produto real em ângulos fixos com câmera fixa. Exige a peça física, estúdio e manuseio para cada SKU. A página sustenta a captura sincronizada; por si só, não estabelece um loop exato no nível do pixel.
8.4 Outras ferramentas de vídeo com IA
As classes de evidência são mantidas separadas. Recursos documentados: as páginas de ajuda do Product Animator da Photoroom [22, 23] descrevem até quatro imagens de referência, movimento escolhido por modelo, proporção e um prompt "designed for adding extra details or making minor changes", com as fotos cortadas pelo centro no formato escolhido; as páginas que lemos não descrevem controle de tamanho, posição, prato giratório, amplitude ou loop, o que não estabelece que o produto não tenha um. O guia do usuário do Kling 4 da Kling [20] descreve quadros iniciais, finais, inicial-e-final e intermediários em sua entrada Keyframes, separadamente dos recursos de referência; não é uma especificação do endpoint combinado de reference-to-video da fal. Afirmações de fornecedores: o artigo da Higgsfield [24] afirma que seu mecanismo "inherits the exact product geometry and lighting from the uploaded hero frame"; é uma afirmação do fornecedor, não uma validação do mesmo mecanismo ou da mesma fidelidade. Não examinado: as interfaces web do Runway, do Pika, do Kling e de outras ferramentas de vídeo de produto; trechos de resultados de busca não foram usados como evidência de comparação. Não afirmamos que o RefVid seja a única ferramenta com esse controle.
9. Trabalhos relacionados
Geração de vídeo condicionada por imagem. O Stable Video Diffusion [1] treina difusão latente de vídeo para geração de imagem para vídeo; o DynamiCrafter [2] injeta uma imagem de entrada por meio de uma representação de contexto alinhada ao texto e por concatenação com o ruído inicial. Esses trabalhos motivam o uso de uma imagem composta como portadora do layout; nada dizem sobre um endpoint comercial de reference-to-video em que uma imagem inicial compete com referências do sujeito, e nossa falha com o disco plano mostra que, nesse caso, a fidelidade não é automática.
Condicionamento por quadros-chave e por loop. O Generative Inbetweening [3] funde passagens para a frente e para trás de um modelo pré-treinado de imagem para vídeo para gerar quadros entre dois quadros-chave; entre as âncoras, o modelo ainda sintetiza o movimento. O Mobius [4] produz loops sem emenda tratando os latentes como um ciclo; o DreamLoop [5] usa a imagem de entrada como condição tanto do primeiro quanto do último quadro para cinemagraphs. Ambos alteram a amostragem ou o treinamento e não estão disponíveis no endpoint que usamos; tomamos deles o uso do erro entre primeiro e último quadro como medida de loop, observando (Seção 7.3) que o erro entre extremidades, sozinho, não mede a continuidade da emenda.
Novas vistas, órbita e coerência do sujeito em múltiplas vistas. Zero-1-to-3 [6], Zero123++ [7] e SV3D [8] geram novas vistas ou órbitas de um objeto a partir de uma imagem; os lados não vistos são inferidos. O modelo publicado do SV3D gera 21 quadros a 576 × 576, abaixo da resolução exigida. O MV-S2V [9] usa várias vistas de referência de um sujeito para vídeo coerente em 3D (modelo publicado a 480p); o OmniShowcase [10] acrescenta condicionamento por normais de superfície e treinamento com órbitas sintéticas, com o código de inferência listado como planejado na época da revisão. Nenhum dos dois foi executado. Ambos são compatíveis com nossa escolha de continuar enviando todas as fotos reais como referências e usar o quadro inicial composto apenas nas extremidades (o início e, nos giros completos, também o fim).
Controle espacial e de câmera. CameraCtrl [11] e MotionCtrl [12] acrescentam módulos treinados de controle de câmera ou de movimento. O CamTrol [13] dispensa treinamento: renderiza novamente o layout da imagem de entrada num espaço de nuvem de pontos 3D e usa o resultado para construir os latentes ruidosos de um modelo pré-treinado de difusão de vídeo. O ViewCrafter [14] condiciona um modelo de difusão de vídeo a renderizações 3D baseadas em pontos ao longo de uma trajetória de câmera planejada, para síntese de novas vistas. O I2VControl [15] unifica controles de câmera, arrasto e pincel de movimento para imagem para vídeo. O VACE [16] organiza entradas de referência, edição e máscara numa única unidade de condição para um transformer de difusão; com fluxos de trabalho do ComfyUI baseados no Wan, pode combinar imagens de referência com vídeos de profundidade ou outros vídeos de controle, o que é uma rota candidata para impor estrutura além do primeiro quadro, embora exija vídeos de controle adequados. Um prato giratório difere de uma órbita de câmera: o objeto gira enquanto as luzes, a câmera e o fundo ficam fixos no mundo. Sua sombra projetada não é fixa: sob luzes fixas, a forma da sombra muda com a orientação do objeto, e ela tampouco simplesmente gira com o objeto. Os métodos de órbita, portanto, não se transferem sem alterações.
Esses métodos diferem em três questões separadas: como o método foi desenvolvido, se existem pesos ou código de inferência publicados e que acesso um profissional precisa ter para usá-lo. CameraCtrl, MotionCtrl, I2VControl, SV3D, MV-S2V e OmniShowcase foram desenvolvidos treinando ou ajustando módulos ou modelos; onde os pesos foram publicados (por exemplo, SV3D e MV-S2V), eles podem ser usados na inferência sem novo treinamento, embora um novo modelo base ou domínio possa exigir ajuste fino. O CamTrol dispensa treinamento, mas, como o condicionamento ao estilo do DynamiCrafter, opera sobre os latentes do modelo. O VACE roda sobre pesos de modelo abertos. Todos eles, em geral, exigem acesso a pesos de modelo adequados e a um pipeline de inferência. Nosso cenário é uma API de caixa-preta, em que só é possível alterar as imagens inicial, intermediárias e final, as referências e o texto. A composição da entrada é a forma de condicionamento espacial disponível nesse nível de acesso.
Reconstrução 3D. O 3D Gaussian Splatting [17] reconstrói cenas a partir de capturas calibradas em múltiplas vistas; três ou quatro fotos de catálogo não dão a cobertura que ele pressupõe.
Avaliação. O VBench [18] decompõe a qualidade de vídeo em dimensões separadas (coerência do sujeito, suavidade do movimento, cintilação temporal e outras), com validação por preferência humana. Ele motiva avaliar separadamente a fidelidade, a suavidade e a coerência temporal; não substitui verificações geométricas específicas da tarefa, como a permanência no prato e a pose nas extremidades.
10. Limitações
- Amostra exploratória. Quatro clipes de produção (um por produto, cada um com configurações diferentes), dois clipes locais do Kling 4 bem-sucedidos, seis clipes de âncoras do Kling 3.0 Omni e seis clipes refeitos com configurações compartilhadas (cinco só com imagem inicial, um início = fim, Seção 7.6); não cegos, adaptativos, sem produtos reservados. Nenhuma taxa pode ser afirmada.
- Reprodutibilidade. Dois valores de extremidade da produção e o protocolo de medição do dia da produção não foram registrados; o clipe de produção da poltrona só é identificado por um registro posterior (Seção 7.3). O executor do experimento de âncoras usa o montador de prompt e os preços atuais, de modo que executá-lo de novo agora não reproduz necessariamente a requisição histórica; as saídas originais das âncoras não foram arquivadas e os clipes arquivados são cópias recodificadas, o que importa para pequenas diferenças de pixel. Não está registrado se uma camada de prompt do lado do servidor substituiu partes do prompt v9 em gerações de produção posteriores (Seção 3.1). O modelo do provedor pode mudar sem um checkpoint reproduzível.
- Escala. A regra de tamanho normaliza a ocupação por formato; a proporção entre produtos depende das configurações do usuário (Seção 4.3).
- Áreas de apoio genéricas. Cada formato usa uma única área de apoio; o W × D real do produto não é usado.
- Recorte de uma única vista. Só a foto frontal é composta; o disco desenhado é visto a 14°, enquanto as fotos ficam perto da altura dos olhos, de modo que peças altas ou profundas podem mostrar uma incompatibilidade de perspectiva. Os pontos de contato do recorte 2D não são localizados e a câmera não é calibrada.
- Sem falha fechada. Uma falha na composição ou no upload recai numa geração sem condicionamento; uma falha na pausa deixa o clipe original.
- Sentido. Só o sentido horário é oferecido; um pedido de sentido anti-horário foi ignorado.
- Início lento. Partindo de um quadro composto parado, o primeiro segundo gira devagar nos clipes inspecionados.
- Deriva do enquadramento após o quadro 0. Seguir o layout composto no quadro 0 não garante mantê-lo: dois de seis clipes só com imagem inicial (uma cama e uma poltrona) avançaram até o prato sair do quadro (Seção 7.6), e a linha Camera do prompt não o impediu. Não se sabe se a deriva é específica do produto ou variação aleatória, nem quais produtos estão em risco. Os dois clipes início = fim que não derivaram são tomadas únicas em dois produtos; o efeito não está estabelecido, e o risco de que imagens inicial e final idênticas suprimam o giro não foi excluído por dois giros completos. Ainda assim, início = fim é o padrão em Auto e 360°, de modo que esses riscos agora se aplicam ao caminho publicado, que tem até agora um clipe registrado.
- Chegada antecipada. Dois dos cinco clipes refeitos entregues (a cama com a imagem final, o pufe sem ela; a cama só com imagem inicial que derivou não foi avaliada) chegaram à pose frontal 1–1.5 s antes do fim do giro e ficaram quase parados, de modo que, com a pausa de 2 s, a pausa visível foi de cerca de 3 s para a cama e 3.5 s para o pufe (Seção 7.6). Causa e frequência são desconhecidas; cortar o segmento parado é um remédio possível, não implementado.
- Não testado ou pouco testado. Camas (dois clipes do segundo modelo de cama, um por condição, Seção 7.6; as fotos corrigidas da cama da coleção não foram recebidas), 9:16 e 16:9, objetos assimétricos, materiais difíceis,
end_image_urlcomposto além de dois clipes, um definido manualmente e um pelo caminho automático (n = 1 cada; ligado ao caminho automático para Auto e 360°; não aplicável a 270°; Vaivém ±90° não testado e excluído),middle_image_urlsno Kling 4 (a implementação atual não repassa imagens intermediárias), verificações automatizadas de permanência no prato por quadro. - Medições da refação não reverificáveis. As larguras, os centros do prato e os valores de SSIM da Seção 7.6 são relatados pelo operador, e os arquivos de medição não estão disponíveis; apenas três clipes estão vinculados a arquivos baixados pelo nome, e os dois arquivos da cama pelo conteúdo; a poltrona refeita não tem cópia baixada.
- Quadro 0 revisado não comparado. Os seis clipes refeitos usaram o fundo Cinza de estúdio; não está registrado se o quadro 0 deles também continha a sombra extraída da foto, e nenhuma comparação de variantes de sombreamento foi feita. Antes deles, a escolha de fundo, a remoção da elipse desenhada da área de apoio e a sombra extraída da foto (Seção 5) não haviam sido usadas em nenhuma geração; os clipes do Kling 4 com quadro composto das Seções 7.3–7.5 (as tomadas locais e os clipes de produção) foram feitos a partir do quadro anterior com formas de sombra desenhadas, os quadros-âncora foram compostos por scripts separados e a linha de base (Seção 7.2) não tinha quadro composto. Os limites próprios da sombra extraída estão listados na Seção 5.6.
- Aceitação do cliente pendente. A resposta do cliente à primeira entrega pediu quatro ajustes (Seção 3.1). Cinco clipes refeitos com o fundo Cinza de estúdio e configurações fixas foram enviados no mesmo dia (segundo o operador); o veredito do cliente não foi recebido.
- Ferramentas para catálogo. Predefinições nomeadas e processamento em lote para um catálogo grande não foram implementados.
11. Avaliação planejada (trabalho futuro)
Nada nesta seção foi executado.
Delineamento. 20–30 produtos diversos (sofás, poltronas, sofás de canto, pufes, camas, além de objetos assimétricos e materiais difíceis, como itens brilhantes, transparentes ou de textura fina), reservados fora do desenvolvimento, × 3–5 repetições por condição principal, com os números finais definidos por uma análise de poder sobre a variância do piloto. A análise agrupa por produto; os quadros não são amostras independentes. Avaliações de permanência no prato, fidelidade estrutural e visibilidade da emenda por anotadores independentes e cegados.
Linhas de base e ablações, com entradas, orçamentos e configurações equivalentes:
- Linha de base só com referências e o mesmo prompt final.
- Prompt com Layout numérico sem imagem inicial composta.
- Imagem inicial composta com e sem a linha Layout.
- Composição plana versus sombreada, com todo o resto fixo e ordem aleatorizada.
- Só imagem inicial versus início = fim no Kling 4, com o quadro inicial composto enviado tanto como
start_image_urlquanto comoend_image_url(Seção 7.6), repetido pelo menos 3–5 vezes por produto em todos os tipos de produto, incluindo as peças mais profundas e mais altas, com configurações e prompt idênticos. Medidas: largura e centro do prato em todos os quadros (com um rótulo "não avaliável" quando o produto oculta a linha mais larga do prato) e a fração de clipes que derivam; detecção de rotação completa e de inversão na taxa de quadros plena, incluindo clipes que não giram ou que giram parcialmente e voltam; semelhança entre extremidades relatada com a ressalva de que o condicionamento início = fim é um objetivo que favorece a concordância entre extremidades (não uma garantia, e de contribuição não medida), de modo que a continuidade do movimento na emenda é pontuada separadamente; e o instante em que a pose frontal é alcançada e a duração de qualquer segmento parado antes do fim do giro (chegada antecipada, Seção 7.6). Como início = fim agora é o padrão em Auto e 360°, o braço só com imagem inicial precisa ser produzido deliberadamente e rotulado como tal. Uma variante que corte um segmento parado antecipado detectado antes de acrescentar a pausa, se construída, é avaliada com as mesmas medidas. Opcionalmente, âncoras intermediárias compostas viamiddle_image_urls, e Vaivém ±90° com início = fim. - Imagem inicial sozinha versus imagem inicial mais referências de múltiplas vistas.
- Um segundo modelo de vídeo compatível e um fluxo de trabalho comercial relevante.
- Sombra do produto no quadro 0: nenhuma versus extraída da foto (e, como referência, a elipse desenhada), com todo o resto fixo, em produtos com áreas de apoio quase retangulares e em L; medida como contato plausível entre produto e prato, iluminação coerente com luzes fixas, marcas residuais indesejadas no prato e fidelidade ao layout. Uma sombra que gira rigidamente com o produto, ou uma que fica fixa, é registrada como comportamento observado, não contada como aprovação.
- Fundo: Claro versus Cinza de estúdio, medido como manutenção do fundo (o fundo do primeiro quadro gerado contra o composto), relatada separadamente da fidelidade ao layout.
- Qualidade da borda da sombra extraída: exemplos renderizados com alfa suave, contaminação colorida nas bordas, truncamento da região e limitação na borda do prato, com uma métrica restrita à região da borda (uma faixa em volta da borda suave do recorte) em vez de uma média sobre o quadro inteiro.
Ensaios adicionais. Uma variante com escala física fixa (diâmetro de prato comum, dimensões reais dos SKUs) com medição da razão de larguras entre produtos; testes de resposta ao controle deslizante (o tamanho na saída acompanha s de forma monotônica?); 9:16 e 16:9; pausas fracionárias e iniciais; clipes com pausas e áudio.
Medidas, com um único protocolo versionado aplicado igualmente a clipes antigos e novos: MAE e SSIM do quadro inteiro e da região do produto, com espaço de cor e resolução declarados; erro de pose nas extremidades; descontinuidade do movimento na emenda comparada com a própria distribuição de quadros adjacentes do clipe, excluindo as pausas, por clipe; violações da permanência no prato com exclusões de visibilidade definidas e uma categoria "não avaliável", revisadas em todos os quadros ou com amostragem justificada; detecção de rotação completa e de inversão; latência; custo por clipe aceitável, incluindo novas tentativas e tempo do operador. Os arquivos originais e com pausas são identificados separadamente e, para cada clipe, guardam-se a requisição tal como enviada (incluindo o prompt preenchido), as imagens composta e de referência e as pontuações individuais.
12. Conclusão
Nesta tarefa, o texto não levou a geometria ao modelo: a redação, as instruções numéricas de layout e as camadas ocultas do prompt não controlaram o tamanho, a permanência no prato nem a pose das extremidades nos testes que fizemos. Uma imagem inicial composta — o recorte do próprio produto sobre um prato giratório de sombreamento fotográfico, com parâmetros definidos pelo usuário — teve seu layout de produto e plataforma seguido aproximadamente, a olho, pelo Kling 4 em todos os casos com disco sombreado que observamos; o fundo composto foi mantido em 3 dos 4 clipes de produção, de modo que fidelidade ao layout não é fidelidade ao quadro inteiro. Nesses quatro clipes, nenhuma parte foi vista sobre a borda nos quadros amostrados, e a diferença relatada entre extremidades foi baixa. As pausas são acrescentadas de forma determinística após a geração quando o processamento no navegador é bem-sucedido. O que o sistema controla é o quadro de entrada e a consistência da posição no prato giratório entre produtos; deixa a proporção entre produtos para o usuário e tudo o que vem depois do quadro 0 para o modelo. Dois clipes posteriores mostraram o que isso deixa em aberto: o quadro 0 foi seguido e depois a câmera avançou até o prato sair do quadro (uma cama, e uma poltrona presumivelmente feita só com a imagem inicial, antes de a imagem final automática chegar à página do operador; isso é inferido, não registrado); em cada caso, uma tomada com o mesmo quadro composto também como imagem final não derivou. O efeito da intervenção e a origem da variação continuam desconhecidos. Desde então, a imagem final passou a ser o padrão em Auto e 360° como decisão de engenharia; ela condiciona as duas extremidades do clipe ao quadro composto e deixa ao modelo o movimento intermediário, incluindo a chegada antecipada à frente e o giro completo. Com o fundo Cinza de estúdio, um estúdio cinza foi relatado pelo operador em todos os seis clipes refeitos, visto para este relatório nos cinco vinculados a arquivos baixados, e próximo da referência ajustada nos pontos medidos; esse conjunto é relatado separadamente dos 3 de 4 anteriores. Os clipes refeitos estão com o cliente, cujo veredito está pendente. Se o comportamento observado se mantém como taxa, entre produtos e formatos, e diante de linhas de base mais simples, é o objeto da avaliação planejada.
Referências
- [1]A. Blattmann, T. Dockhorn, S. Kulal, D. Mendelevitch, et al. "Stable Video Diffusion: Scaling Latent Video Diffusion Models to Large Datasets." arXiv:2311.15127, 2023. https://arxiv.org/abs/2311.15127 (read 2026-11-13)
- [2]J. Xing, M. Xia, Y. Zhang, H. Chen, W. Yu, et al. "DynamiCrafter: Animating Open-domain Images with Video Diffusion Priors." arXiv:2310.12190, 2023. https://arxiv.org/abs/2310.12190 (read 2026-11-13)
- [3]X. Wang, B. Zhou, B. Curless, et al. "Generative Inbetweening: Adapting Image-to-Video Models for Keyframe Interpolation." ICLR 2025; arXiv:2408.15239. https://arxiv.org/abs/2408.15239 (read 2026-11-13)
- [4]X. Bi, J. Yuan, B. Liu, et al. "Mobius: Text to Seamless Looping Video Generation via Latent Shift." arXiv:2502.20307, 2025. https://arxiv.org/abs/2502.20307 (read 2026-11-13)
- [5]A. Mahapatra, L. Mai, C. Ham, F. Liu. "DreamLoop: Controllable Cinemagraph Generation from a Single Photograph." arXiv:2601.02646, 2026. https://arxiv.org/abs/2601.02646 (read 2026-11-13)
- [6]R. Liu, R. Wu, B. Van Hoorick, et al. "Zero-1-to-3: Zero-shot One Image to 3D Object." arXiv:2303.11328, 2023. https://arxiv.org/abs/2303.11328 (read 2026-11-13)
- [7]R. Shi, H. Chen, Z. Zhang, et al. "Zero123++: a Single Image to Consistent Multi-view Diffusion Base Model." arXiv:2310.15110, 2023. https://arxiv.org/abs/2310.15110 (read 2026-11-13)
- [8]V. Voleti, C.-H. Yao, M. Boss, A. Letts, et al. "SV3D: Novel Multi-view Synthesis and 3D Generation from a Single Image using Latent Video Diffusion." arXiv:2403.12008, 2024. https://arxiv.org/abs/2403.12008 (read 2026-11-13); model card https://huggingface.co/stabilityai/sv3d (reviewed 2026-11-11)
- [9]Z. Song, X. Gong, B. Liu, Z. Zhao. "MV-S2V: Multi-View Subject-Consistent Video Generation." arXiv:2601.17756, 2026. https://arxiv.org/abs/2601.17756 (read 2026-11-13); code https://github.com/Szy-Young/MV-S2V (reviewed 2026-11-11)
- [10]J. Ahn, G. Kim, K. Kim, et al. "OmniShowcase: Omnidirectional Subject-Consistent Video Generation from Multi-View Images." arXiv:2610.35684, 2026. https://arxiv.org/abs/2610.35684 (read 2026-11-13)
- [11]H. He, Y. Xu, Y. Guo, et al. "CameraCtrl: Enabling Camera Control for Text-to-Video Generation." arXiv:2404.02101, 2024. https://arxiv.org/abs/2404.02101 (read 2026-11-13)
- [12]Z. Wang, Z. Yuan, X. Wang, T. Chen, M. Xia, et al. "MotionCtrl: A Unified and Flexible Motion Controller for Video Generation." SIGGRAPH 2024; arXiv:2312.03641. https://arxiv.org/abs/2312.03641 (read 2026-11-13)
- [13]C. Hou, Z. Chen. "Training-free Camera Control for Video Generation" (CamTrol). arXiv:2406.10126, 2024. https://arxiv.org/abs/2406.10126 (abstract read 2026-11-13)
- [14]W. Yu, J. Xing, L. Yuan, W. Hu, et al. "ViewCrafter: Taming Video Diffusion Models for High-fidelity Novel View Synthesis." arXiv:2409.02048, 2024. https://arxiv.org/abs/2409.02048 (abstract read 2026-11-13)
- [15]W. Feng, T. Qi, J. Liu, M. Sun, et al. "I2VControl: Disentangled and Unified Video Motion Synthesis Control." ICCV 2025; arXiv:2411.17765. https://wanquanf.github.io/I2VControl (project page read 2026-11-13)
- [16]Z. Jiang, Z. Han, C. Mao, J. Zhang, et al. "VACE: All-in-One Video Creation and Editing." arXiv:2503.07598, 2025. https://arxiv.org/abs/2503.07598 (abstract read 2026-11-13); code https://github.com/ali-vilab/VACE (reviewed 2026-11-11)
- [17]B. Kerbl, G. Kopanas, T. Leimkühler, G. Drettakis. "3D Gaussian Splatting for Real-Time Radiance Field Rendering." ACM Transactions on Graphics 42(4), 2023; arXiv:2308.04079. https://arxiv.org/abs/2308.04079 (read 2026-11-13)
- [18]Z. Huang, Y. He, J. Yu, F. Zhang, et al. "VBench: Comprehensive Benchmark Suite for Video Generative Models." arXiv:2311.17982, 2023. https://arxiv.org/abs/2311.17982 (abstract read 2026-11-13)
- [19]fal.ai, Kling 4 reference-to-video API and llms.txt. https://fal.ai/models/kling/v4/reference-to-video/api and https://fal.ai/models/kling/v4/reference-to-video/llms.txt (read 2026-11-13)
- [20]Kling AI, "Kling 4 model user guide." https://kling.ai/quickstart/kling-4-model-user-guide (read 2026-11-13, first 100,000 characters)
- [21]fal.ai, Bria background removal (RMBG 2.0). https://fal.ai/models/fal-ai/bria/background/remove (read 2026-11-13)
- [22]Photoroom Help, "How to use Product Animator." https://help.photoroom.com/en/articles/16013315-how-to-use-product-animator (read 2026-11-13)
- [23]Photoroom Help, "Troubleshooting Product Animator videos." https://help.photoroom.com/en/articles/17704481-troubleshooting-product-animator-videos (read 2026-11-13)
- [24]Higgsfield, "Best way to create a cinematic 360-degree orbit shot with AI." https://geo.higgsfield.ai/blog/best-way-create-cinematic-360-degree-orbit-shot-ai (read 2026-11-13)
- [25]Cylindo blog, "3D product visualization for furniture e-commerce." https://blog.cylindo.com/3d-product-visualization-furniture-ecommerce (read 2026-11-13)
- [26]PhotoRobot, "Turning Platform." https://www.photorobot.com/robots/turning-platform (read 2026-11-13)
- [27]Z. Wang, A. C. Bovik, H. R. Sheikh, E. P. Simoncelli. "Image Quality Assessment: From Error Visibility to Structural Similarity." IEEE Transactions on Image Processing 13(4), 600–612, 2004. https://doi.org/10.1109/TIP.2003.819861
Apêndice A. Prompt tal como montado (v9, Kling 4, Enquadramento personalizado, rotação Auto, sentido horário)
{…} são preenchidos a partir das configurações; a linha Scene contém as palavras do usuário (por padrão, o texto do modelo).
Scene: {name}, matching the reference appearance and proportions, is on a circular white studio turntable against a light grey seamless background, under soft even studio light, with the entire product in sharp focus.
Layout: Use these layout settings throughout: the turntable's full projected horizontal width is {plate}% of frame width. Its top-surface centre is {position}% of frame height down from the top edge. It is a low, flat, solid disc of uniform vertical thickness, {thickness}% of its physical diameter, with a plain white top and nothing rising from it except the product's own legs. The product's farthest point horizontally from the disc's centre is {size}% of the disc's radius. At 0°, align the midpoints of the product's full frame-left/frame-right and camera-near/camera-far spans with the disc's centre.
Rotation: Frame 1 shows the product at exactly 0°, the first reference orientation, front facing the camera, before any rotation. Product and disc spin in place together as one rigid body about the disc's centre. During the first quarter-turn, the frame-right half moves toward the camera and the frame-left half moves away. Keep the same direction throughout; never reverse. Each quarter of the clip covers 0° to 90°, 90° to 180° (full rear view), 180° to 270°, then 270° to 360°, respectively. At exactly 360° in the final frame, the product exactly matches frame 1 in pose, position, size and shape.
Camera: One uninterrupted shot; camera position, aim, focal length, focus, aperture and crop stay constant.
Motion: Frame 1 is already turning at full speed: constant angular speed from first to final frame, with no ease-in at the start and no ease-out at the end; never stop, accelerate or slow down.
Product: The product is rigid: no stretching, bending, morphing, melting, or parts appearing or disappearing. Shape, dimensions, parts, materials, colours and disc-relative pose stay unchanged. The disc stays level, flat and in place."The video is silent." é acrescentada à linha Product apenas quando o som está desligado. As frases de rotação para 270° e Vaivém não são reproduzidas aqui. As linhas Camera e Motion e o texto padrão da linha Product são removidos quando as palavras do usuário correspondem aos padrões de palavras-chave de tema, mantendo-se a frase de silêncio quando o som está desligado (Seção 4.6); linhas também são removidas quando se ultrapassa o limite de comprimento do modelo, Layout por último. Não há registro de se uma camada de prompt no servidor alterou as frases de rotação e movimento efetivamente enviadas em produção (Seção 3.1).
Apêndice B. Configurações dos clipes avaliados
Clipes de produção (Kling 4, 1080p, 1:1, som ligado, fundo Claro):
| Produto | Duração | Tamanho | Prato giratório no quadro | Espessura | Centro a partir do topo | Pausa depois |
|---|---|---|---|---|---|---|
| Poltrona (identificada a partir de um registro posterior; Seção 7.3) | 10 s | 60% | 80% | 4% | 58% | 2 s |
| Sofá de canto | 10 s | 90% | 80% | 4% | 70% | 2 s |
| Sofá (sentido anti-horário solicitado) | 8 s | 80% | 80% | 10% | 50% | 1 s |
| Pufe | 9 s | 51% | 80% | 5% | 60% | 3 s |
Clipes refeitos (Seção 7.6): Kling 4 reference-to-video, 1080p, 1:1, 10 s + 2 s de pausa, prato giratório 80%, espessura 4%, centro 58%, Cinza de estúdio, para todas as peças. Entregues: segundo modelo de cama com o quadro inicial composto também como imagem final, poltrona, sofá, sofá de canto, pufe (a Figura 26 mostra todos, exceto a poltrona). Não entregue e sem link público: o clipe da cama só com imagem inicial. Os valores de tamanho efetivamente usados em cada peça não foram registrados (os valores do plano eram poltrona 60, sofá de canto 90, sofá 80, pufe 51, cama 90).
Clipes da linha de base (Seção 7.2): Kling 4, 1080p, 1:1, 10 s, Rotação Auto, sem quadro inicial composto, sem pausa: poltrona, sofá, pufe, sofá de canto (Figura 19).
Recomendação registrada junto com a receita fixada: um único valor de altura do centro para todos os produtos (55–60%; 58–62% para peças altas ou tamanhos ≥ 70%), alterando apenas o tamanho por produto.
As tomadas locais, os clipes do experimento com âncoras, o clipe com referências de quatro vistas e o clipe com a linha numérica Layout não têm links públicos.
Nota do autor
Um pacote de reprodutibilidade (requisições de cada clipe tal como enviadas, imagens compostas e de referência, saídas originais e com pausas, pontuações individuais e comandos de medição) está planejado e ainda não está disponível.
Os vídeos de exemplo serão disponibilizados por link assim que o cliente aprovar a publicação.