Phantom-Data

内容与规模

ByteDance 于 2025-06 发布（arXiv 2506.18851），面向主体一致/参考生成。成品约 100 万跨对样本，其中约 72 万单主体、28 万多主体，3 万+ 多主体场景 [1]。

构造方式

三阶段：(1) 主体检测，采样 5%/50%/95% 位置帧，Qwen2.5 抽关键词、Qwen2.5-VL 做 grounding，框面积 4%–90%；(2) 在约 5300 万视频（含公开 Koala-36M 与内部库）和 30 亿图（LAION）的检索库中找同一身份的不同上下文；(3) 用 ArcFace/CLIP 类嵌入加 VLM 做成对验证 [1]。

为什么需要

同一视频内取帧做参考会让模型把参考图背景一并复制（copy-paste）；跨视频配对可避免。论文称跨对数据优于同对。

已知缺陷

依赖内部库，公开程度未核；含人脸身份数据，涉及肖像与隐私合规。

来源

1. https://arxiv.org/html/2506.18851v1 (2026-10-15)