AIGC 每日速读|2026-10-27|高通换机位也让动作对齐SyncVid

今日 AIGC 论文速览

今日共 10 篇 · 参考视频重拍与相机控制 2 篇 · 图像编辑与透明素材 3 篇 · 图像生成模型 1 篇 · 旋律音频生成 1 篇 · 音频驱动三维头像 1 篇 · 多参考图生成评测 1 篇 · 城市三维生成 1 篇

重点论文标题列表

• SyncVid（高通）：换机位也让同一动作对齐
• WorldForge V2（西湖大学）：换镜头时少带进重建破绽
• LOCI（Meta）：同图每个人都有独立编辑旋钮
• AlphaAnything（字节）：透明素材不用另造一套潜空间
• EditJev（北京大学）：先挑合适的改图模型再开工

选读入口：要把已有视频换机位并对齐人物动作，先读 SyncVid，再读 WorldForge V2 比较噪声同步与轨迹参考两条路。合照里不同人改不同程度，读 LOCI；做玻璃、发丝等透明素材读 AlphaAnything。部署多个编辑器先看 EditJev 的路由与估算时延；想研究扩散之外的图像生成，读 TEM 并留意持续采样链。已有音频模型想跟旋律走，读 Melody Guidance；照片做可转头数字人，接 AudioLift。多张参考总串细节，借 MDMR-Bench 拆验收项；做可逐栋编辑的城市三维资产，再读 CityLift 及掩码和数据域边界。

今日论文速览

1. SyncVid：换机位也让同一动作对齐

SyncVid: World-Equivariant Diffusion for Synchronized Video Generation | 高通 AI Research | arXiv:2610.31765

关键词：参考视频重拍, 跨视角同步, 结构化噪声, 近似白化

• 前序问题：给同一段舞蹈换两个机位，人物可能在左视角抬手、右视角却已经转身。每个视角各自生成得通顺，不代表它们描绘的是同一时刻、同一个动作。怎样让遮挡后露出的部分也尽量一致？
• 方法直觉：别让各机位从互不相干的随机噪声开始：先给场景里的三维小颗粒各分配一份固定噪声，再按新机位投影。不同机位看见同一个颗粒，就拿到相关的随机起点；生成器负责把不完整的投影补成画面。
• 本文贡献：NoPo4D 将单目视频重建成随时间变化的高斯点，噪声绑定不随时间变化的规范坐标锚点；未观察背景用包围场景的立方体补足。投影会使邻像素过度相关，于是用规范三维位置的随机傅里叶特征及 QR 正交分解（构造正交方向的局部变换）做近似白化：降低局部相关，同时保留跨视角对应。源视频和渲染视频作为条件，以秩 256 的 LoRA 低秩适配微调 Wan2.2-14B；36000 组合成视频对，加 2000 条真实静态视频折叠出的约 13500 对，八张 H100 训练 10000 次更新。

• 实验效果：Multi-ViewBench 含 200 片段，统一 5 秒、15 帧/秒、480p，方法输出 75 帧。相对 Reshoot-Anything，动态区域可信匹配点 1268→1332，跨视角 FVD（视频特征分布距离，越低越好）202.22→146.99；跨视角 CLIP 相似度按百分制 89.96→91.66。相机旋转/平移误差 0.151/0.121，逊于 ArtiFixer 的 0.0780/0.0529。单 H100、480×832、50 步生成耗时 1203.1 秒，另有 4D 重建 4.18 秒、噪声渲染 6.44 秒、白化 0.53 秒；未报峰值显存。

• 批判点评：三维跟踪或遮挡出错仍会破坏同步；白化仅近似，不能保证像素独立或真实世界几何正确。200 片段由视觉语言模型筛选，且不同对照输出长度不同，不能把匹配点当严格同帧数胜率。原文所列项目主页本次返回 404，未确认代码或权重已公开；机构由四位作者的高通公司邮箱及原 PDF 核验。

2. WorldForge V2：换镜头时少带进重建破绽

WorldForge V2: Eliciting Camera-Trajectory Alignment in Video Diffusion Models | 西湖大学；北京航空航天大学；新加坡管理大学 | arXiv:2610.31640

关键词：相机轨迹控制, 视频重渲染, 速度缓存, 轨迹低秩适配

• 前序问题：把一段实拍改成绕物体转动，深度重建的孔洞和错位很容易一起变成视频里的浮空结构。直接强塞参考帧会伤画质，完全交给模型又可能不按指定机位走。
• 方法直觉：先把画面按目标相机路径粗略投影，再挑适合承载运动信息的潜变量通道施加约束；保留原生成器的预测作校正。重拍指导可以带路，但不应把错误参考当成必须照抄的真值。
• 本文贡献：IRR（步内递归精修）在预测的干净潜变量中融合参考，再统一加噪；FLF（光流门控潜变量融合）比较位移、方向和异常流，筛选运动相关通道；DSG（双路径自校正引导）比较有无轨迹引导的预测，以角度自适应投影校正。v-cache 复用上一步速度预测，少算额外前向。进一步按 Shapley 贡献筛选网络块训练 Trajectory LoRA：LongCat 用 48 块中的 36 块、8 场景 50 视频、1200 次更新；H3 用 50 块中的 38 块、1 场景 50 视频、1500 次更新，均含 200 次锚点预热，再混合引导状态训练。

• 实验效果：无训练动态重渲染覆盖超过 30 源视频：相对 TrajectoryCrafter，FVD 视频分布距离 97.31→93.17，但 ATE（全局相机位置误差）0.431→0.527，反而更差。学习版在 40 个留出场景、200 条轨迹比较，统一 640×360 评分；H3 的 PSNR 像素信噪比 20.21 分贝、LPIPS 感知距离 0.2698，对照 UniWorld-View 为 17.15/0.3370。单 A100 估算均时 H3 为 707.3 秒，叠加公开加速 LoRA 后 139.0 秒；各方法使用原生配置，非严格等结构提速。

• 批判点评：无训练引导与学习版是两条路径，不能把单场景训练说成整个系统免训练；更新数不含底座预训练。单场景有泛化价值，但大幅度深度错误、人群遮挡仍会留下破绽；全局轨迹指标也非全胜。代码 含 Wan、LongCat 和 H3 相关实现，未实际运行模型。

3. LOCI：同图每个人都有独立编辑旋钮

LOCI: Localized Continuous Control for Multi-Subject Image Editing | Meta AI 研究团队 | arXiv:2610.31950

关键词：多主体图像编辑, 区域低秩适配, 注意力绑定, 连续强度控制

• 前序问题：合照里想让左边的人渐渐变老、右边的人只添胡须，调大某个编辑旋钮却可能把所有人一起改。只框定区域解决不了改多少，只调全局强度也解决不了改谁。
• 方法直觉：让每条指令只和自己的主体绑定，再把低秩适配器原来统一的强度拆成逐个图文片段（token）的强度。训练时先学会把指定编辑完全压回原图，推理时缩放这条抑制方向，得到连续的编辑幅度。
• 本文贡献：冻结 FLUX.1-Kontext，将文字、待编辑图及源图 token（模型处理的文字或图像片段）按主体分组；区域框或掩码决定写入范围，重叠区域取更强抑制值。IDAttn（主体解耦注意力）在中间块隔离主体，首尾块允许视觉信息互通以协调光照；训练和推理使用同样路由。α为抑制量：1 不改、0 为名义编辑、负数进一步外推。秩 16 适配器仅用 22482 个单区域例，八张 H200 训练 10000 次；不用针对多人数量再训练。

• 实验效果：128 个合成多主体场景、427 主体编辑对，每图 2–7 主体；统一 1024×1024、28 去噪步。双旋钮 7×7 网格中，相对事后拼接 SliderEdit 与 IDAttn，语义串扰 0.2776→0.2211，感知串扰 0.1909→0.1860；串扰是非目标变化相对目标变化的比值，越低越好。多区域同时编辑成功率 0.9099，略低于无连续控制的 IDAttn 单独版 0.9153。未报告额外墙钟时延和显存，单次联合编辑仍需要 28 步，不是一次网络调用。

• 批判点评：合成场景的框/掩码已提供，不能外推自动定位和任意拥挤合照。背景虽不写入适配器残差，注意力仍可能传播变化，不能保证背景完全不变。感知串扰相对事后拼接只小幅改善；若框重叠，最强抑制优先也会影响旋钮独立性。原文没有本方法代码入口，不把引用的 FLUX 仓库当 LOCI 代码。

4. AlphaAnything：透明素材不用另造一套潜空间

AlphaAnything: Extending Pretrained RGB Generators to RGBA | 清华大学；字节跳动；北京大学 | arXiv:2610.32413

关键词：透明图像生成, 共享潜空间, 单向特征传递, 透明度端点损失

• 前序问题：生成玻璃、烟雾或发丝后再抠图，边界容易灰一圈；重新训练透明图像编码器，又可能损失原模型的小字和颜色。能不能让原彩色生成器直接产生透明素材？
• 方法直觉：在原有 RGB 三色解码器旁加一条预测透明度的支路，支路只能读取彩色特征，不能改回彩色解码过程。同时把透明度误差传回生成器，让它生成的潜变量本身更适合解码透明边界。
• 本文贡献：RGBA 比 RGB 多一个 alpha 不透明度通道：0 全透明、1 全不透明，中间值半透明。冻结原 VAE（变分自编码器）的编码与 RGB 解码，训练生成 Transformer 的秩 64 LoRA 及 alpha 支路，固定同一潜变量时 RGB 解码严格不变。EA（端点感知）损失按前景/背景混合权重的 Fisher–Rao 弧长衡量误差，可精确表示 0 和 1，错误饱和时仍有梯度；再对前景与背景误差分别开方聚合，增强小片错误的影响。各变体 20000 次更新、全局批量 16，文字生成训练有 8963 份 RGBA 样本。

• 实验效果：图像转 RGBA 测试为 295 源图中的 735 目标层；Qwen-Image-Edit 底座相对 OmniAlpha，Soft IoU（软透明度交并比）0.6881→0.9223，LPIPS 感知距离 0.0911→0.0136。文字生成在白底/黑底合成图上平均评分；AlphaTest 的 FID 分布距离却不领先，例如 FLUX.2 版 75.1796，对照 Qwen-Image-2.1 为 72.2720。FLUX.2 隔离解码 0.148→0.249 秒，端到端附加 0.244%；2.299→2.386GiB 是 VAE 单独峰值，非完整模型显存。

• 批判点评：固定潜变量的 RGB 解码不变，不保证适配后的生成结果与原模型逐像素相同，潜变量已经被训练改变。透明数据和指标仍有限，文字生成的分布质量未全面胜出。仓库 本次只有 README、素材和忽略文件，不能称实现或权重已开源。

5. EditJev：先挑合适的改图模型再开工

EditJev: System One Routing for Image Editing Models | 北京大学；清华大学 | arXiv:2610.32635

关键词：图像编辑路由, 偏好排序, 质量时延权衡, 单次评分

• 前序问题：换背景、提衣服、擦汽车，各家编辑器的强弱不同。所有请求都交给平均成绩最高的模型，既可能改错对象，也可能为简单操作等太久；每次先把所有模型都跑一遍又更贵。
• 方法直觉：先让一个小裁判只看源图和指令，预测五个编辑器谁更合适；把它的质量偏好与事先测好的速度分合起来，只执行被选中的一个。裁判直接输出五维分数，省去逐字生成模型名。
• 本文贡献：Qwen3-VL-4B 多模态底座冻结主参数，只训练 LoRA 与线性偏好头，读取最后一个非填充 token。候选为 FLUX.2 Klein 4B/9B、FLUX.1-Kontext、OmniGen2 及 Qwen-Image-Edit。离线对每条训练请求运行全部候选，分别评编辑、保留、自然度、伪影；前两项与后两项各取较差值，再取几何平均，仅用差至少 0.5 的模型对训练排序。推理用β权衡质量与归一化速度，ImgEdit 取 0.7、GEdit-En 取 0.02，测试无需看到生成结果。

• 实验效果：737 个 ImgEdit 与 606 个 GEdit-En 请求，按各自官方协议和 GPT-5.1 裁判评分；相对固定 Qwen-Image-Edit，总分 4.540→4.592、8.194→8.255。RTX PRO 6000 上候选各测 20 请求均时，按选中模型频率加路由开销，估算总时延 56.90→22.33 秒、56.90→38.88 秒；不是每条请求端到端重测。路由单独平均 0.094 秒，依据 5 次本地请求。20 案例、20 人共 400 次判断，人类选择一致 327 次，即 81.75%。

• 批判点评：质量提升较小，依赖固定候选池和自动评判偏好；新增编辑器不等于现有评分头自动适配。离线全部候选出图及标注成本未消失，论文也未给完整多模型驻留显存账单。两数据集β不同，不能把省 60.8%时延直接套到任意负载；人评只覆盖 20 案例。原文未提供本方法代码地址。

6. TEM：让图像沿低能量方向慢慢成形

Scaling Transformer Energy-based Models For High Quality Image Synthesis | 麻省理工学院；伊利诺伊大学厄巴纳香槟分校；哈佛大学 | arXiv:2610.31889

关键词：能量图像生成, 多层能量头, 正样本表征对齐, 持续采样链

• 前序问题：能量模型给每张候选图打一个越低越合理的分数，再沿梯度修图，理论上很灵活；现实中高维采样费算力、训练不稳定，常只能做小图。怎样把这条路线带到现代图像生成规模？
• 方法直觉：在压缩后的潜空间里打分，让不同深度的评分头分别看纹理、结构和语义，最后加总。只给真实图像补上视觉教师的密集特征监督，避免把错误生成样本也强行拉向同一特征目标。
• 本文贡献：TEM（Transformer 能量模型）用视觉 Transformer 输出标量能量，多个中间层能量头求和。训练压低真实图能量、抬高自身 MCMC（马尔可夫链蒙特卡洛）负样本能量；采样匹配损失兼顾低能量和多样性，PRA（正样本表征对齐）只对真实图对齐冻结 DINOv2 特征。图像经 Stable Diffusion 自编码器压成 32×32×4 潜变量；训练每次 40 次 Langevin 梯度更新，批量 256，共 50000 次优化，训练缓冲区容量 16000、复用概率 0.99。

• 实验效果：ImageNet 类别条件生成，6.09 亿参数 TEM-XL、60 次采样更新、50000 张图计算 FID（特征分布距离，越低越好）：256×256 为 3.82，512×512 为 8.24。同尺寸 DiT-XL 无分类器自由引导为 9.62，有引导为 2.27，不能称全面超过扩散。评估前 5000 条链从高斯噪声起步，后续复用 40 步缓冲状态，再各追加 60 步。附录 256 图采样 14.48 万亿浮点操作/份，DiT 为 29.66 万亿；这是计算量，非墙钟或显存实测。

• 批判点评：步数包含能量梯度，不能与普通去噪前向调用一一等价。持续链复用是成绩协议的重要部分，不代表每图独立 60 步从纯噪声开始。多算未必让分布更好：60→80 步，FID3.82→4.72、召回 0.57→0.51，清晰度换来模式覆盖下降。项目 与代码 有训练、采样实现，未执行模型。

7. Melody Guidance：不用重训也能照旋律生成声音

Melody Guidance for Audio Diffusion Models Without Retraining | 德国埃尔朗根纽伦堡大学；International Audio Laboratories Erlangen | arXiv:2610.32211

关键词：旋律音频生成, 推理期引导, 可微音高估计, 三角波初始化

• 前序问题：手里有无条件音频扩散模型，想让它按一条旋律唱或弹，通常得重新准备旋律配对数据。只在推理时用音高误差硬拽，又容易得到音准对了、音色却变假的声音。
• 方法直觉：先用目标音高合成有泛音的三角波作草稿，再让生成器把草稿修成真实音色；每步用可求梯度的音高检测器纠偏。草稿减轻纠偏负担，扩散先验负责声音自然，两者要一起调。
• 本文贡献：F0 是基频、决定主音高；dSWIPE 是可微音高估计器，用候选音高相关性的 softmax 代替硬选最大值，使音高误差可反传。在每步预测的干净波形上计算误差，经解码器传回潜变量，并按噪声量和梯度范数归一化；波形模型可直接引导。λ为纠偏强度，t_init 为开始去噪的噪声位置；目标音高用标准差 50 音分平滑，100 音分为一个半音，保留颤音空间。唱声 LOUDAR 取λ=2.5、t_init=0.8；吉他为 2/0.7，两钢琴模型为 0.3/0.65。

• 实验效果：100 条 POP909 旋律、四个底座。唱声用 CREPE 独立提音高，RPA（发声帧原始音高准确率）0.91、OA（含清浊音判断的总体准确率）0.86，DiffSinger 为 0.76/0.85。吉他 OA0.79 低于 DDSP-Guitar0.84；钢琴 MR-CQT 的 OA0.78 优于 PianoKontext0.63，但同为 MAESTRO 训练的 FAD（音频特征分布距离）0.39 较 0.25 差。无需旋律专属重训仍要逐步反传，论文没给墙钟、采样步数总账和峰值显存。

• 批判点评：唱声和吉他对照训练数据不同，不能按 FAD 或 KAD 音频分布距离直接排统一音质榜；钢琴对照同数据才较可比。音素、拨弦动作、音头和衰减仍由无条件先验决定，不能据旋律控制推断歌词或演奏法可控。试听项目 可访问，未确认本方法代码已公开。

8. AudioLift：一张照片先补五机位再成头像

AudioLift: Audio-Driven Single Image to Full-Head Gaussian Avatar via Multi-view Video Generation | 耶鲁大学；加州大学默塞德分校；卡内基梅隆大学 | arXiv:2610.31747

关键词：音频驱动头像, 多视角视频生成, 高斯重建, 后脑补全

• 前序问题：单张照片驱动数字人说话，正面看着不错，一转到侧后方就可能头颈断开、帽子消失。参数化人脸的运动空间也难覆盖夸张张嘴，能否借视频生成能力补全完整头部？
• 方法直觉：先让同一声音驱动五个同步机位，再把每个时刻的五张图拼成三维高斯头像。生成的机位不完全一致，所以重建器训练时就故意看些错位侧视图，学会以清晰正面作锚点。
• 本文贡献：第一阶段基于 13 亿参数 StableAvatar，四斜机位排成 2×2 画布，另加正面流；同一时刻的视觉 token 读取相同音频窗口，全局注意力共享五视角信息。第二阶段微调 FaceLift 逐帧前馈重建，侧视输入加网格畸变与相机扰动，正面保持干净；活动体积正则压低头部范围外高斯的不透明度，后方三个角度区间用冻结教师低权重蒸馏。训练 2641 条语音序列、328 身份，第二阶段 648 片段各 16 帧，共 10368 多视角场景；两阶段分别 6800 和 7328 次更新，八张 48GB RTX 6000 Ada。

• 实验效果：RenderMe-360 测试 42 片段、21 身份，HDTF 另 21 对照片语音；81 帧、25 帧/秒，统一 512×512 白底计分。前者相对 SDTalk，正面 FID 分布距离 77.05→44.53，但 SSIM 结构相似度 0.710→0.678；新机位 PSNR 像素信噪比 10.99→12.27 分贝。新视角只评第 0 帧五个未见相机，正面评 1–80 帧，不能混成全动态新视角定量。第一阶段五视角各 416×608、30 步；未报端到端耗时与实际峰值显存。

• 批判点评：后脑来自教师的合理补全，不能声称恢复照片未拍到的真实发型；逐帧前馈重建也不是对整段做显式时间优化。无逐人优化不等于无训练或实时。演示超过 20 秒，但主定量仅 3.24 秒窗口。项目 和所链接仓库 已列出，仓库含两阶段推理、配置与说明，未执行模型。

9. MDMR-Bench：多张参考图要逐项查有没有串

MDMR-Bench: A Multi-Dimensional Benchmark for Multi-Reference Image Generation | 南京大学；华为研究；香港大学 | arXiv:2610.32459

关键词：多参考生成评测, 检查清单, 非目标保留, 裁判一致性

• 前序问题：给三张人物、服装和场景参考，结果看着漂亮却把衣服纹理抄错，或者换衣时连脸也变。一个笼统美学分不容易指出是哪条约束没满足，多参考生成需要更细的验收。
• 方法直觉：把每个要求拆成可回答“是/否”的检查项，既问整体有没有完成，也问某个人、某个属性是否保留。任务家族等权汇总，避免数量最多的容易题把分数撑高。
• 本文贡献：2390 案例覆盖实体融合、属性转移、单图多元素提取、信息图操作与视觉推理；前两类各 936 和 982 例，常有 2–4 参考图。约 50 万图图库经模型打标签、任务分桶、自动验证及人工筛查；48.2%案例至少含一张合成参考。五维按指令/一致/组合/最小改动/质量分别权重 0.20/0.25/0.25/0.20/0.10，维内整体与原子问题等权；先按子任务平均，最后五任务家族等权。默认 Gemini-3-Pro 裁判，非把各样本简单平均。

• 实验效果：主榜百分制：GPT-Image-2 总分 88.8，Nano Banana Pro85.1，开源组 FLUX.2 为 51.3；这是本基准指定裁判和原生支持分辨率下的分数。GPT-Image-1.5 指令分 90.3，但最小改动仅 56.8，揭示过度编辑。200 案例 800 输出的人评形成 5924 项判断，默认裁判与人类一致率 0.853，Cohen κ（扣除随机一致后的指标）0.642。逐项裁判增加 API 调用成本，未报告统一评测时延或峰值显存。

• 批判点评：合成参考、人工维度权重与裁判偏好会影响榜单；属性任务中参考数多的子集更难，不是同一案例只改参考数的因果实验。主榜与任务表对 GPT-Image-2 总分分别 88.8 和 88.7，本稿按主榜口径保留差异。arXiv 评论明确接收 NeurIPS 2026 评测与数据集轨道；代码 本次 404，数据 尚无法确认公开下载，不沿用摘要“已公开”的断言。

10. CityLift：一张城市图补成可拆分楼群

CityLift: Compositional 3D Urban Generation from a Single Image | 西安交通大学；中关村学院 | arXiv:2610.32728

关键词：城市三维生成, 场景骨架, 空间特征继承, 独立楼宇网格

• 前序问题：从城市斜拍图做三维资产，逐栋生成容易楼高不对、楼群互撞；整城一次生成又难单独编辑一栋。遮挡让完整几何与相对布局都难猜，怎样同时照顾？
• 方法直觉：先在同一坐标系搭一份楼群粗骨架，再给每栋楼分自己的细化空间。楼在哪里、有多大，以及从整体读到的三维特征，都随同一坐标变换送进局部生成器，最后按原变换放回。
• 本文贡献：输入除了单张图，还需要每栋楼实例掩码。共享参数的场景/单楼双流稀疏结构 Transformer 交互，生成 64³占用骨架和隐藏特征；确定性局部坐标映射同时用于占用、特征、训练目标与最终组装。TRELLIS 流模型从噪声重生成局部结构，再由预训练 SAM 3D 生成纹理网格；低噪声阶段另约束占用重叠、质心和轴向分布。CityLift-5K 有 4997 合成场景、36338 栋，训练 4497/验证 250/测试 250；训练用两张 80GB A100，局部模块 18000 次更新。

• 实验效果：250 个留出场景平均 7.8 栋，楼与场景均隔离。CD（双向表面最近点平均距离，以网格单元计）单楼相对 Pixal3D 由 2.547→1.011；场景相对 SAM 3D 由 2.595→1.079，F@2（两格阈值内精确率召回率的调和平均）0.597→0.855。每场景 115 秒，比 Pixal3D1482.4 秒快，但慢于 SAM 3D83.7 秒和整场景 TRELLIS.2 的 39.2 秒；未报实际峰值显存。真实 InstanceBuilding 来源渲染测试场景 CD2.012→1.531，收益较合成集小。

• 批判点评：外部真实来源也是从已重建网格再渲染 RGB 与掩码，不能说直接验证任意无人机实拍。外部数据单楼阈值 F 分数和单向精度仍落后 Pixal3D，改善主要来自覆盖与组装。不可见立面是生成性补全，不等于测量真值。项目 可查，本次未发现可确认的方法代码入口。

趋势观察

先定义哪些东西必须保持

SyncVid保持动作的跨机位对应，LOCI限制区域串扰，AlphaAnything只保证固定潜变量的RGB解码；三种保持各有不同对象。

控制常从表示入口开始

场景级噪声、逐token适配强度、原潜空间的透明度监督，比再加一段笼统指令更明确地约束干预位置。

省下的计算要按实际协议计

EditJev报告频率加权估算，TEM复用持续采样链，WorldForge叠加加速LoRA；它们的数字不是同一种时间账单。

完成感不能替代验收清单

MDMR-Bench分开指令与非目标保持，AudioLift区分正面动态与首帧新视角，CityLift分开单楼与整场景质量。

今日讨论

SyncVid 的跨视角 FVD 从 202.22 降到 146.99，相机旋转误差却比 ArtiFixer 更大。若同步收益主要来自把噪声绑定三维锚点，你会怎样用等帧数、同底座实验，分别改变遮挡程度和几何误差，收集哪些独立证据，区分动作同步、轨迹准确与新露出内容的真实一致性？

人工智能炼丹君 整理 | 2026-10-27