本研究针对文本到视频生成模型在动态对象交互中的不足，提出通过视觉语言模型提供外部反馈，以提升对象运动的真实性，从而显著改善视频质量。

本文介绍了NOVA视角增强策略，用于训练动态对象在静态场景中。该框架减少了混合伪影，提高了峰值信噪比，并具有便捷性、灵活性和可伸缩性。代码库托管在GitHub上。