2025-01-31 16:17:23>2067次浏览

   机械之心宣布 机械之心编辑部 可灵,视频生成领域的佼佼者,近来行动不绝 。继宣布可灵 1.6 后,又果真了多项研究揭示视频生成的洞察与前沿探索 ——《快手可灵凭什么频繁刷屏?揭秘背后三项重要研究》 ?闪榻荒昀吹亩啻蔚瓜殖鼍说募际踅,让我们看到了 AI 创作的无限可能,也让我们思考视频生成技术面临的挑战 。 视频作为一种时空连续的媒介,对时间维度的连贯性有很高的要求 。模型需要确保视频中的每一帧画面都能自然衔接,包括物体运动、光照变革等细节都需要切合现实世界的纪律 。另一个挑战是用户意图在视频中的精确表达 。当创作者想要实现特定的视觉效果时,仅依靠文本描述往往难以准确转达他们的创作意图 。这两个挑战直接导致了视频生成的“抽卡率”高,用户难以一次性获得切合预期的生成结果 。 针对这些挑战,一个焦点解决思路是:通过多模态的用户意图输入来提升视频生成的可控性,从而提升乐成率 ?闪橥哦友刈耪庖凰悸,在四个控制偏向上做了代表性的探索: 三维空间控制:之前的视频生成往往局限于简单视角,难以满足庞大叙事需求 。为此,团队研究了 SynCamMaster ,实现了高质量的多机位同步视频生成 。让创作者能像专业导演一样,通过多角度镜头切换来讲述故事 。运动轨?刂疲3DTrajMaster 让创作者能在三维空间中直观地计划和精确地控制物体运动轨迹,让用户轻松实现庞大的动态效果 。内容作风控制:StyleMaster 确保了生成视频在坚持时间连贯性的同时,能够统一泛起特定的艺术作风,为创作者提供了更富厚的艺术体现手法 。交互控制:GameFactory 使用少量 MineCraft 行动数据就能实现交互式游戏体验 。结合视频生成的开放域生成,展示了视频生成技术在游戏创作中的辽阔应用前景 。 这一系列研究结果充分展现了可灵在视频生成领域的系统性探索 。通过更好地舆解和整合多模态用户意图,降低生成“抽卡率”,可灵正在逐步实现让 AI 视频创作越发精确、可控且易用的目的 。 多机位同步视频生成 ——SynCamMaster Sora、可灵等视频生成模型令人惊艳的性能体现使得创作者仅依靠 AI 就能够创作出好的视频 。然而,我们所常见的大荧幕上的影戏通常是由多个摄像机同步拍摄后再剪辑而成的,导演可以凭据人物情绪变革或故事情节生长切换镜头,以抵达更好的视觉效果 。例如,在拍摄两人交谈的场景时,镜头通常凭据说话人在两人间切换,并在交谈结束后切换到对整个场景拍摄的镜头 。而如今的视频生成模型均无法实现 “多机位同步” 视频生成,限制了 AI 影视制作的能力 。 近期,可灵研究团队在 “多视角同步视频生成” 领域做出了首次实验,推出了基于文本的“多视角同步” 视频生成模型 SynCamMaster,该模型可以凭据用户提供的文字描述和相机位姿信息,生成时序同步的多段差别视角视频 。 视频链接: https://mp.weixin.qq.com/s/3NI9YITmCrd8cDT1YMlA9A?token=1323334260&lang=zh_CN SynCamMaster 支持多种相机视角变革,例如改变相机方位角、俯仰角、距离远近等,在 AI 影视制作、虚拟拍摄等场景有较强的应用价值 。别的、该事情提出了多视角同步视频数据集 SynCamVideo-Dataset用于多视角视频生成的研究 。 论文题目:SynCamMaster: Synchronizing Multi-Camera Video Generation from Diverse Viewpoints项目主页:https://jianhongbai.github.io/SynCamMaster代码:https://github.com/KwaiVGI/SynCamMaster论文:https://arxiv.org/abs/2412.07760 1. SynCamMaster 效果展示:支持多种相机视角变革 a) 相机方位角变革 b) 相机俯仰角变革 c) 相机远近变革 d) 相机方位角、俯仰角同时变革 可以视察到,SynCamMaster 可以凭据用户输入的文本描述及相机位姿生成多段时序同步视频,在包管同步性的同时支持大幅度的视角变革 。 2. SynCamMaster 的要领和立异点 如下图所示,SynCamMaster 基于预训练的 “文本 - 视频” 生成模型,在每个 Transformer Block 中插入两个新组件: 相机编码器:将归一化的相机外部参数投影到嵌入空间;多视角同步?椋涸谙嗷喽晕蛔说闹傅枷陆卸嗍咏翘卣魅诤 。 在训练时只更新新组件参数,预训练的文本 - 视频生成模型坚持冻结状态 。 SynCamMaster 的主要立异点为: SynCamMaster 率先实现了多机位真实世界视频生成 。设计了一种即插即用的 “多视角同步” ?橐允迪秩我馐咏窍碌耐绞悠瞪 。提出了一种多种数据混淆的训练范式,以克服多机位视频数据的稀缺性并使得模型具备较好的泛化能力 。并果真了多视角同步视频数据集 SynCamVideo-Dataset 用于多视角视频生成的研究 。 3. 训练数据集:SynCamVideo 数据集 数据收集历程 。图(a),从镜头运动的视频中采样视频帧以结构 “多视角图像数据”,示例图像来自 DL3DV-10K;图(b),通过 Unreal Engine 5 渲染的 “多视角视频数据”;图(c),利用通用视频数据作为正则化 。 SynCamVideo 数据集是使用 Unreal Engine 5 渲染的多摄像机同步视频数据集 。它包括 1,000 个差别的场景,每个场景由 36 个摄像机拍摄,总计36,000 个视频 。SynCamVideo 以 50 种差别的动物为 “主要拍摄工具”, 20 个差别所在作为配景 。在每个场景中,从 50 种动物中选择 1-2 个拍摄工具并沿着预界说的轨迹移动,配景从 20 个位置中随机选择,36 个摄像机同时纪录拍摄工具的运动 。渲染场景示例如下: 每个场景中的摄像机都安排在距离场景中心 3.5m - 9m 的半球形外貌上 。为了最小化渲染视频与真实世界视频的域偏移,研究者将每个摄像机的仰角限制在 0°- 45° 之间,方位角限制在 0°- 360° 之间 。每个摄像头都在上述约束条件下随机采样,而不是在各个场景中使用相同的摄像头位置 。上图显示了一个示例,其中红星体现场景的中心点(略高于地面),视频由同步相机渲染,以捕获主要拍摄工具(在本例中是一只山羊和一只熊)的运动 。 4. SynCamMaster 实验结果 上图中研究者将 SynCamMaster 与最先进的要领进行了比较 。研究者使用 SynCamMaster 合成多视角图像(M.V. 图像)作为基线要领的参考图像(以蓝色框体现) 。据视察,基线要领无法生成多视角同步视频 。例如,蓝色巴士可能在一个镜头中停留在原地,在另一个镜头中向前移动 。而 SynCamMaster 可以合成切合相机姿势和文本提示的视图对齐视频 。更多结果请会见项目主页(https://jianhongbai.github.io/SynCamMaster)检察 。 5. 总结 在本文中,研究者提出了 SynCamMaster ,一种基于文本和相机位姿的“多视角同步” 视频生成模型,该模型可以凭据用户提供的文字描述和相机位姿信息,生成切合文本描述的时序同步的多段差别视角视频 。SynCamMaster 支持多种相机视角变革,例如改变相机方位角、俯仰角、距离远近等 。别的、研究者还提供了多视角同步视频数据集 SynCamVideo-Dataset用于多视角视频生成的研究 。 精准控制视频中物体的 3D 轨迹 ——3DTrajMaster 除了多机位同步生成,虚拟拍摄的真正落地亟需精准的物体可控性 。试想一下,如果我们可以精准控制视频中每个主体的 3D 时空位置,那么就可以拍摄出针对物体的定制化特效,进一步增进 AI 影戏的进展 。 可灵研究团队提出了 3DTrajMaster 的多物体 3D 位姿可控的视频生成模型 。该要领通过逐主体相对应的 3D 轨?刂剖悠瞪芍卸喔鲋魈逶 3D 空间中的运动,相比与古板在 2D 空间的表征 (界限框、点轨迹等) 是一种更本真的物体运动建模方法 。这里的 3D 轨迹指可控制 6 个自由度,即控制主体的 3D 位置和朝向 。 论文题目:3DTrajMaster: Mastering 3D Trajectory for Multi-Entity Motion in Video Generation项目主页:http://fuxiao0719.github.io/projects/3dtrajmaster代码:https://github.com/KwaiVGI/3DTrajMaster论文:https://arxiv.org/pdf/2412.07759 1. 3DTrajMaster 性能展示 以下展示了 3DTrajMaster 的广泛特征: (1) 泛化到多种主体:包括人、动物、机械人、飞机、汽车,甚至笼统的火焰、云雾等 。 (2) 泛化到多样的配景:如下所示可以将一只考拉以相同的 3D 轨迹生成在都会、森林、沙漠、海滩、冰川、窟窿等差别的场景中 。 (3) 生成庞大的 3D 轨迹:支持多个主体的 3D 遮挡、180 度 / 连续 90 度的转弯、大角度的变向、原地转圈等 (4) 精细化控制物体细节:可改变人的衣着、发型、身材、性别、佩戴等,也可以改变其它物体 (如动物、车) 的整体定性描述 2. 3DTrajMaster 要领介绍 3DTrajMaster 的训练涵盖两个阶段 。首先,它通过训练 LoRA (具体为基模型的自注意力、跨注意力和线性映射层)作为域自适应器来减轻训练数据集(通过 UE 引擎收罗的运动轨迹 - 视频 pair)带来的负面影响 。 其次,该要领选择了一种通用的要领在 2D 空间自注意力层之后插入 object injector 来插入成对的文本实体提示和 3D 轨迹 。具体而言,实体通过文本编码器被投影到隐空间向量中,并利用可学习的位姿编码器投影成和 3D VAE 编码后对齐的位姿序列,然后与实体嵌入融合形成实体和轨迹的对应关系 。这种对应关系嵌入与视频隐空间向量相连接,并被馈送到门控自注意力层进行进一步的运动融合 。最后,修改后的隐向量返回到 DiT 块中的剩余层中 。 在推理阶段,该要领将退火采样战略融入了 DDIM 采样:在较为初始的推理历程办法中,主体和相对应的轨迹插入模型中以确定总体的多物体运动轨迹,而在后续阶段它们被舍弃,模型退回到最基础的文生视频历程 。 3. UE 渲染的标注物体 6DoF 位姿的数据荟萃 360°-Motion 高质量的训练数据关于模型的训练至关重要,可是目前从通用的视频数据中标注物体的 6DoF 位姿数据很是困难: 较低的物体多样性和质量:高质量并成对的主体和轨迹大多受限于人和自动驾驶车辆,差别数据集在 3D 空间的漫衍差别很是大,并且主体可能过于冗余 。在一些数据集中,人的漫衍占了大宗的比重,会导致域外的主体泛化问题 。低质量 / 失败的位姿预计:关于非刚性物体的运动 6D 物体,只有人通过 SMPL 模型被广泛地研究 。目前仍然缺乏通用的 6DoF 位姿预计器 。 为了解决这个问题,可灵研究团队通过 UE 平台构建了合成的 360°-Motion 数据集 。如下图所示,团队首先收集了 70 个可驱动运动的人和动物 3D 资产,并进一步用 GPT-4V 给资产打上相应的文本标注 。然后,研究团队接纳了 GPT 生成庞大的多物体运动轨迹 (含 3D 位置和朝向,在 5×5 平方米的运动平台上),涵盖 96 个运动轨迹模版 。其次,研究团队收集了 9 个 3D UE 平台 (涵盖都会、沙漠、森林和 5 个投影到 3D 空间的 HDRIs),并将 3D 资产与生成的 3D 轨迹组合安排在 UE 平台中 。最后安顿 12 个相机围绕拍摄多物体的运动,获得 54,000 组训练视频数据 。 4. 3DTrajMaster 效果比照 相比 SOTA 的基准 Direct-a-Video、MotionCtrl、Tora 等,3DTrajMaster可以在 3D 空间进一步控制物体的位置和朝向,同时它可以学到多主体和相对应的 3D 轨迹对应关系,而这是之前 2D 运动表征的要领普遍缺失的 。当多物体在 3D 空间中保存运动的遮挡,这个难点会变得越发突出 。 相比逐场景优化的 TC4D,3DTrajMaster 这种 feed-forward 的要领可以实现 700× 的提速,并且具有更高质量的现实画质和渲染更多样的配景 。 5. 总结与未来展望 3DTrajMaster 展示了强大的视频生成和 3D 交互的可能性 。在未来,更庞大的运动表征 (如人跳舞、挥舞手等局部运动,一个男人举起一只狗等交互运动) 也可以通过类似的 structured 运动表征进行建模,其中焦点的是构建高质量的运动表征数据 。同时,越发庞大的文本提示词输入和更多的主体输入也是可以进一步革新的点,这些都将为高质量可控的虚拟视频拍摄打下基础 。 奇特的视频艺术作风泛起 ——StyleMaster 创作者们不再满足于简单的视频生成,而是追求更具艺术性和个性化的创作表达 。作风控制其能够付与视频奇特的艺术气质 。然而,现有的视频作风化要领面临着两个主要挑战:难以准确提取和迁移参考图像的作风特征,以及在视频作风转换时泛起时序不连贯、内容难以坚持的问题,这严重限制了 AI 视频艺术创作的体现力 。 StyleMaster,通过进一步提升参考图像中的作风和内容的解耦能力来提升生成视频中的作风准确度,引入内容控制?橐约霸硕嵘?槔锤纳颇谌菀恢滦杂胧毙蛭榷ㄐ 。 论文题目:StyleMaster: Stylize Your Video with Artistic Generation and Translation论文链接:https://arxiv.org/abs/2412.07744项目主页:https://zixuan-ye.github.io/stylemaster/代码货仓:https://github.com/KwaiVGI/StyleMaster 1. StyleMaster 效果展示 以下展示了 StyleMaster 的多方面性能 。 视频作风迁移:给定任意源视频,StyleMaster 能在内容坚持良好的前提下凭据提供的作风参考图将其转换至对应作风 。并且在时序上坚持良好的一致性和流畅度 。 作风化视频生成:给定文字 prompt 和作风图像,StyleMaster 能生成作风准确、文本对齐的高质量视频 。并且,关于差别的 prompt 和作风图都具有良好的泛化性 。 相同作风,差别 prompt 效果: 相同 prompt,差别作风图效果: 图像作风迁移:与其他图像作风迁移要领相比,StyleMaster 能够更好地对齐参考图中的作风,例如使用诺贝尔获奖图作风对人物作风化时,StyleMaster 能更好地将图片转变为线条风,而不是保存过多细节,仅仅改变图像的颜色 。 2. StyleMaster 要领介绍 自动化作风配对数据集构建 StyleMaster 提出立异解决计划来完成作风数据集的自动构建 。通过 model illusion(模型幻觉)技术,预训练的文生图模型可自动生成配对数据 。具体通过预界说的物体列表和作风描述列表,随机选择作风和物体生成配对图像 。由于生成的配对图像实质是像素重排,能完美包管作风一致性,且完全自动化 。 双重特征提取机制 全局作风提 。夯诒日昭坝牖镁跏菁奶崛∑ 。使用 CLIP 提取初始图像特征,通过 MLP 投影层转换为全局作风体现 。接纳三元组损失函数训练,将同对图像作为正样本,其他图像作为负样本 。局部纹理坚持:提取 CLIP patch 特征,通过盘算与文本提示的相似度,选择相似度较低的 patch 作为纹理特征 。通过 Q-Former 结构处理,更新盘问 token 并整合特征,既保存局部纹理信息,又制止内容泄露 。 优化与控制 动态质量优化:使用 MotionAdapter 的时序注意力?,通过调理 α 参数控制动态效果 。α=0 坚持原始效果,α=1 生成静态视频,α=-1 增强动态规模 。精确内容控制:接纳 gray tile ControlNet 设计,移除颜色信息制止对作风迁移的滋扰 。复制一半 vanilla DiT 块作为控制层,与作风 DiT ?樘卣飨嗉,确保内容和作风平衡 。 交互式视频游戏生成 ——GameFactory 视频模型在视频生成和物理模拟中的潜力使其成为未来游戏引擎的有力候选者 。AI 驱动的引擎能够通过自动化生成游戏内容,显著减少古板开发中的事情量 。然而,现有研究多局限于过拟合特定游戏(如《DOOM》、《Minecraft》、《Super Mario Bros》等),限制了模型创立全新游戏场景的能力,同时高昂的行动标注数据本钱进一步增加了实现泛化的难度 。因此,提升场景泛化能力成为生成式游戏引擎生长的要害偏向 。 为解决这一挑战,可灵研究团队提出了 GameFactory 框架 。通过结合少量 Minecraft 的高质量行动标注数据与预训练视频生成模型,GameFactory 探索了一条基于在开放域非标注视频数据上预训练的经济可行路径 。 该要领能够将从小规模标注数据集中学习到的物理控制知识泛化到开放域场景,不但显著提升了场景泛化能力,还为解决具身智能、自动驾驶等庞大领域的问题带来了更多可能 。 其焦点立异包括多阶段解耦训练战略,将游戏作风学习与行动控制学习疏散,制止生成内容受特定作风限制;自回归生成机制,支持无限长的行动可控视频生成,满足连续游戏的实际需求;以及开源高质量数据集 GF-Minecraft,有效克服古板标注数据中的人类偏差,为未来的研究提供了坚实基础 。 论文题目:GameFactory: Creating New Games with Generative Interactive Videos项目主页:https://vvictoryuki.github.io/gamefactory代码:https://github.com/KwaiVGI/GameFactory论文:https://arxiv.org/abs/2501.08325GF-Minecraft 训练数据集: https://huggingface.co/datasets/KwaiVGI/GameFactory-Dataset 1. GameFactory 效果展示 以下展示 GameFactory 的效果: (1)开放域的可控游戏视频生成能力 。如下所示,利用预训练视频大模型的强大生成先验,GameFactory 将能够生成训练时没有见过的游戏场景,并泛化游戏行动的控制能力 。(2)无限长可控游戏视频的生成能力 。如下所示,展示了 GameFactory 通过自回归的方法生成几十秒可控游戏长视频的效果 。 视频链接: https://mp.weixin.qq.com/s/3NI9YITmCrd8cDT1YMlA9A?token=1323334260&lang=zh_CN 2. GameFactory 要领介绍 下图展示了GameFactory 的设计思想,如何利用预训练的大型视频生成模型与行动控制?樯尚掠蜗 。蓝色上半部分展示了通过海量无标注开放领域数据预训练的大型视频生成模型,具备强大的开放领域视频生成能力,提供富厚的生成基 ;绿色下半部分则展示了从少量标注的游戏行动数据中训练出的行动控制?槿绾斡朐ぱ盗纺P徒岷,生成受行动控制的动态内容 。通过将两者有机结合,GameFactory 能够实现从视频生成到行动控制的泛化,最终支持创立新游戏及其他受控场景的开发 。 下图展示的是行动控制?,其是视频生成模型实现互动性的要害设计 。 如图中(a)部分所示,通过与 Transformer 结构的深度结合,让模型具备响应用户输入的能力 。如图中(b)部分所示,?檎攵粤氖蟊晷藕藕屠肷⒌募讨噶钌杓屏瞬畋鸬拇砘 。别的如图(c)中所示,?橐肓诵卸肿榛,解决了行动信号与潜在特征在时间粒度上的不匹配问题,同时设计了了滑动窗口机制捕获延迟行动对多帧画面的影响 。 通过这一架构,视频生成模型不但能生成高质量内容,还能动态响应用户指令,为互动式视频和游戏生成带来新的可能 。 下图展示了一个分阶段的训练战略,旨在实现行动控制与开放领域内容生成的有效结合 。 Phase #0 通过在开放领域数据上预训练视频生成模型,为模型提供可泛化的生成能力;Phase #1 使用游戏数据进行 LoRA 微调,学习特定的游戏作风;Phase #2 在牢固模型其他部分的情况下,训练行动控制?,实现与作风无关的行动响应能力;Phase #3 通过推理结合行动控制?楹驮ぱ盗纺P,生成受行动信号控制的开放领域视频内容 。 这种设计将作风学习与行动控制疏散,不但保存了开放领域的生成能力,还通过行动控制?槭迪至顺【胺夯陀没е噶畹南煊,充分展示了模型的灵活性和适应性 。 下图展示了自回归视频生成的历程,包括训练阶段和推理阶段 。在训练阶段(左图),模型使用前面若干帧作为条件帧,预测后续的帧 。条件帧的数量是随机选定的,损失函数专注于预测噪声帧的部分,从而优化模型的生成能力 。在推理阶段(右图),模型通过自回归的方法逐帧生成视频内容,每次使用历史视频的潜在特征作为条件,逐步生成新的帧 。这样的设计包管了训练时的多样性和推理时生成内容的连贯性,能够生成高质量、动态一致的视频内容 。 3. GF-Minecraft 数据集 GF-Minecraft 数据集的设计充分考虑了行动可控视频生成的焦点需求,具有以下显著特点 。 首先,数据集通过可自界说的行动序列实现了低本钱的大规模数据收罗,同时确保行动序列具有随机性和多样性,从而笼罩了低概率但要害的行动组合 。 其次,Minecraft 平台的多样化开放世界情况以及富厚的行动空间为捕获场景物理动态提供了理想条件 。 为了增强多样性,数据收罗预设了三种生物群落(森林、平原、沙漠)、三种天气状态(晴天、下雨、雷暴)和六种时间段(如日出、正午、午夜),生成了凌驾 2,000 个视频片段,每个片段包括 2,000 帧,并配有由 MiniCPM-V 多模态语言模型生成的文本描述 。这些设计使得该数据集能够有效支持行动可控和场景泛化的视频生成模型训练,尤其在多样性和场景描述的精细度上提供了极大优势 。下面是一个数据标注的示例: 4. 未来展望 展望未来,可灵研究团队提出的 GameFactory 不可是一个用于创立新游戏的工具,更是一个具有广泛应用潜力的通用世界模型 。该模型能够将从小规模标注数据集中学到的物理知识泛化到开放领域场景,解决包括自动驾驶和具身智能等领域中的要害挑战,这些领域同样面临缺乏大规模行动标注数据集的问题 。 在本文中,研究团队通过 GameFactory 提出了一种利用生成式交互视频来创立新游戏的框架,填补了现有研究在场景泛化能力上的重要空白 。然而,生成式游戏引擎的研究仍面临诸多挑战,例如关卡和玩法的多样性设计、玩家反响系统、游戏内工具的操控、长上下文影象,以及实时游戏生成等庞大问题 。GameFactory 是可灵在这一领域迈出的第一步,未来将继续努力,向实现一个全面的生成式游戏引擎目标迈进 。 结语 视频生成自己时空建模难度高,准确体现用户意图在视频中是一项巨大的挑战,这些挑战导致视频生成的 “抽卡率” 较高 。为了应对这些问题,焦点思路是通过多模态的用户意图输入来提升视频生成的可控性和精确性 ?闪樵谌占淇刂疲⊿ynCamMaster)、运动轨?刂疲3DTrajMaster)和内容作风控制(StyleMaster)三个偏向上进行了具有代表性的探索 。别的,通过多轮次的多模态用户意图交互(GameFactory),展示了视频生成技术在游戏创作等领域的辽阔应用前景 。这些技术通过更好地舆解和整合多模态用户意图来降低视频生成的 “抽卡率” 。 可灵正在用技术立异推动着视频生成领域走向更远的未来 。在这个充满无限可能的领域,期待看到更多令人欣喜的生长,让 AI 创作的界限不绝拓展,让创作者能够更自由地表达他们的想象力;让视频生成能够为更多领域带来新探索的可能性 。 接待各人在可灵 AI 平台体验最新最强的视频生成技术:https://klingai.kuaishou.com/ =哟魅斯刈⒖闪 AI 研究的最新进展,一起思考、探索视频生成的新前景 =哟魅思尤肟闪 AI 团队(接待联系 zhangluowa@kuaishou.com),配合创立未来的视频生成!

尊龙人生就是博

可灵视频生成可控性为什么这么好?快手又果真了四篇研究

尊龙人生就是博

可灵视频生成可控性为什么这么好?快手又果真了四篇研究罗本德

可灵视频生成可控性为什么这么好?快手又果真了四篇研究

「运动」P6F9A2Y5R3B1T0V4X8W

59.29M
版本v4.326.545843
下载美国猫咪社区app视频官网下载装置你想要的应用 更便当 更快捷 发明更多
喜欢 46%好评(95人)
评论 59
新疆姑娘机场救人后默默离开的截图0 新疆姑娘机场救人后默默离开的截图1 新疆姑娘机场救人后默默离开的截图2 新疆姑娘机场救人后默默离开的截图3 新疆姑娘机场救人后默默离开的截图4
详细信息
  • 软件巨细: 63.14M
  • 最后更新: 2025-01-31 16:17:23
  • 最新版本: v8.7.20
  • 文件花样: apk
  • 应用分类:ios-Android 未成年拍拍拍
  • 使用语言: 中文
  • : 需要联网
  • 系统要求: 5.41以上
应用介绍
一,2022国产乱子,无遮挡粉嫩小泬久久久久
二,小蝌蚪视频在线观看入口,女安慰自己动手图片人禽
三,澳门午夜成人电影,人人干人人操午夜在线
四,成人桃花视频app,国产自俞自俞AvV2.43
五,大屁股多毛videos,黄色小视频.www
六,51色综合,欧美在线观看人伦好爽
七,91插插三级三级
【联系尊龙人生就是博】
客服热线:138-2881-646
加载更多
版本更新
v2.850.880300
,夫妻生活七十二式

欧洲黄色电影网站

62.9M
94好评
  • 曰韩Av无码精品久久人妻

    亚洲三级一区二区三区

    852.22M
    28好评
  • 牡丹文化传媒直播app

    荒岛女孩满天星

    和荔枝影视一样的黄色APP

    981.29M
    16好评
    老湿机国产福利视频
  • 国产一级爱做A片免费

    欧美性爱BBW

    193.18M
    82好评
    精品蝌蚪91
  • 午夜高清国产拍精品软件

    豆奶成人在线APP

    884.20M
    40好评
  • 小舞的弱点漫画

    曲果弥音ssis

    658.28M
    23好评
    国产精品成人jvid
  • 无码在线看国产自拍99

    被猛男狂CAO的小男生

    俄罗斯猪Zoom

    700.28M
    40好评
    吖v在线天堂国产精品
  • 椎名由奈ed2k

    三级视新网站

    亚洲人成网站18禁止大

    51.21M
    44好评
    操白虎馒头逼
  • 操你逼app

    能看的黄a大片网站

    南京AV在线

    60.7M
    56好评
    网站正能量www正能量不用下载免费
  • 两个人日本视频全免费观看动漫

    西西人体影院

    香蕉视频榴莲视频黄瓜视频91APP

    797.21M
    19好评
    亚洲免费黄片
  • 国产⭕⭕⭕⭕XXXXگ

    公和我做爽死我了

    51.27M
    99好评
  • 法版灭火宝贝免费观看

    欧美精品在线在线

    390.13M
    55好评
    2023韩国理伦片
  • 国产午夜亚洲精品理论片八戒

    林踪仙网站入口欢迎您

    黄色视频一级a片在线观看

    447.2M
    40好评
  • 国产成人Av一区二区三区不卡

    国产免费观看久久黄色欲AV片

    久久久国产999

    167.14M
    62好评
  • 黄色免费网站上。,

    日韩黄色网站www

    308.2M
    33好评
  • 男生女生做的污污的事APP

    100款流氓软件

    国产乱了bbw

    866.5M
    52好评
  • 日韩亚洲欧美中字一区

    三级黄色视频

    5.12M
    52好评
    夜色直播卡哇伊直播app观众版
  • 桃色av网站入口

    欧美性爱图色

    292.18M
    11好评
  • 丰满妇女强制高潮18XXXX

    国产美女免费精品视频

    925.19M
    78好评
    桃色视频app释放深夜的自己
  • 桃子移植游戏黄油

    国产国产一级人AA大片蜜芽

    日韩源码免费观看

    702.2M
    70好评
  • 中文天堂在线

    男人天堂2019av

    把娇妻借给朋友泄欲小菲

    54.4M
    14好评
  • 4438com免费观看国产

    美美哒免费高清影院在线观看8

    色网站在线免费

    853.25M
    62好评
  • 最新精品国偷自产在线老年人

    wwwav毛片

    242.10M
    83好评
  • 蕾丝视频旧版

    精东影业蘑菇

    714.9M
    96好评
  • 清醇小说APP

    chaopeng97

    970.24M
    31好评
    99久久国产精品一区二区
  • 园产又粗又大又爽又黄

    天堂在线www在线中文

    乱伦网址大全

    826.27M
    18好评
    国产精品和韩国精品亚洲
  • 老外一级毛片

    美女自慰app

    漂亮的丰年经的继拇了5

    497.4M
    54好评
  • 尊龙人生就是博(中国游)官方网站成年人视频xxxx title="自慰喷水高清毛片AV片" class="app-list-img" src="https://t11.m.yuntaiwaye88.com/it/u=2150274630,165407105&fm=30"">

    鲁死你资源站亚洲AV

  • 尊龙人生就是博(中国游)官方网站国产一级性交黄色片网站Avw title="国产原创麻豆高清有码在线" class="app-list-img" src="https://t11.m.yuntaiwaye88.com/it/u=1212351481,165442110&fm=30"">

    在线观看中文字幕第一页

    插进去综合网

  • 尊龙人生就是博(中国游)官方网站穿越之捣乱还珠 title="哺乳期XXXXXHD" class="app-list-img" src="https://t11.m.yuntaiwaye88.com/it/u=2041345165,165445816&fm=30"">

    男生说我夹得他疼

  • 新疆姑娘机场救人后默默离开 类似软件

    猜你喜欢

    相关攻略
    包括 饿了么 的应用集