近年来，图像到视频生成取得显著进展，但3D一致性和相机可控性问题仍未解决。为此，我们提出了Cavia框架，能够将输入图像转换为多个时空一致的视频，支持精确控制相机运动，同时保持物体运动。实验结果表明，Cavia在几何一致性和感知质量上优于现有方法。