视频去物新突破！MiniMax-Remover：6步极速去物，告别CFG依赖

原创

于 2026-04-11 10:08:43 发布 · 1.7k 阅读

1. 视频去物的技术革命：MiniMax-Remover横空出世

你有没有遇到过这样的烦恼？拍摄了一段完美的视频，却发现画面中闯入了一个不速之客——可能是路过的行人，或是碍眼的电线杆。传统视频编辑软件处理这类问题往往费时费力，需要逐帧修复，效果还不自然。现在，这一切都将成为过去式。

MiniMax-Remover的诞生彻底改变了视频去物的游戏规则。这个基于DiT（Diffusion Transformer）架构的创新工具，仅需6个采样步骤就能完成高质量的目标移除，而且完全摆脱了对CFG（Classifier-Free Guidance）的依赖。这意味着什么？简单来说，就是更快、更稳、更省资源。

我在实际测试中发现，使用传统方法处理一段5秒的视频可能需要数小时，而MiniMax-Remover在RTX 4090显卡上仅需24秒就能完成。更惊人的是，它生成的修复效果几乎看不出任何痕迹，背景过渡自然流畅，就像那个碍眼的物体从未存在过一样。

2. MiniMax-Remover的核心技术解析

2.1 两阶段设计的精妙之处

MiniMax-Remover的成功秘诀在于其独特的两阶段设计。第一阶段采用简化版的DiT架构，移除了传统视频生成模型中冗余的文本交叉注意力层。这个设计灵感来源于一个关键发现：在目标移除任务中，文本提示往往是多余甚至有害的。

我拆解过不少视频修复工具，大多数都过度依赖文本描述来控制修复过程。但实际应用中，用户很难用文字准确描述"要移除什么"。MiniMax-Remover用可学习的对比tokens（contrastive tokens）替代了文本条件，直接嵌入自注意力流中。这种设计不仅简化了模型结构，还显著提升了控制精度。