AIGC 每日速读|2026-11-03|普渡拿相册修视频保住本人AlbumVSR

今日 AIGC 论文速览

今日共 10 篇 · 参考引导修复与图像编辑 4 篇 · 视频生成与物理诊断 2 篇 · 图像训练加速 1 篇 · 声音与动作生成 2 篇 · 三维记忆世界生成 1 篇

重点论文标题列表

• AlbumVSR（普渡）：拿相册修视频别修成另一人
• RADI3N（布法罗）：挪动部件让纹理跟着走
• PicturePerfect（高通）：同一个人换表情保住背景
• WeGenEditBench（腾讯）：高分改图也要逐项查漏
• Any Forcing（西电）：先把首帧做好再一步续拍

选读入口：修模糊人脸视频先读 AlbumVSR，重点看 0.586→0.670 的身份收益和未计入 0.07 秒的预处理；需要摆物体部件读 RADI3N，同一人照片换表情读 PicturePerfect，评测编辑是否漏要求读 WeGenEditBench。部署长视频再读 Any Forcing 的首帧 4 步与后续 1 步；训练扩散模型看 RadialObj，不把 FID 收益当墙钟倍数。交互音频读 MFlowAudio 的首块和解码代价；数字人读 TalkFlow 的单说话人协议。做世界模型前先用 GeoFlip 拆开事件与结构，最后对照 L3G-World 完整/快版及空间记忆增长。

今日论文速览

1. AlbumVSR：拿相册修视频别修成另一人

AlbumVSR: Identity-Preserving Face Video Super-Resolution from a Personal Photo Album | 普渡大学 | arXiv:2610.39001

关键词：参考引导视频修复, 身份保持, 流式扩散, 相册纹理

• 前序问题：模糊视频里，鼻眼细节已经丢失。单靠模型补清晰，可能补出一张好看却不像本人的脸；同一个人的其他照片能提供线索，但拍摄角度不同，不能直接贴上去。
• 方法直觉：把相册分成两份证据：一份回答是谁，另一份把皮肤等纹理转到当前脸朝向。前者整个人共用，后者逐视频窗口更新，让生成器参考身份与姿态对齐的细节。
• 本文贡献：以冻结的 FlashVSR-tiny 单步视频扩散 Transformer 为底座。MagFace 身份编码器与 CLIP 外观编码器将相册聚合成 4 个 token（模型读入的特征单元）；先按质量加权中心筛除余弦相似度低于 0.5 的参考，若全被筛掉则保留最高质量一张。FLAME 人脸网格的 UV 纹理坐标融合出 512×512 图集，再按低清视频的 DECA 人脸拟合结果渲染 256×256 五通道视图，分 8×8 块得到 64 个纹理 token。每层交叉注意力追加这 68 个 token 的键/值，原文字缓存不变；仅训练相册头与秩 16 的 LoRA 低秩适配，共约 2300 万参数，约占 17.5 亿冻结参数的 1.3%。首窗 21 帧、此后每次推进 8 帧。

• 实验效果：VoxCeleb2 的 488 个身份分 355 训练、42 验证、91 测试，测试相册来自不同拍摄会话，含 3–21 张、中位数 9 张。重退化含两轮模糊噪声、4 倍降采样和视频压缩；各视频只评分前 85 帧，输入另补 4 帧末帧副本，先身份内平均再等权平均。相对冻结底座，ArcFace 身份余弦 ID-GT 为 0.586→0.670，脸部峰值信噪比 PSNR-F 为 24.98→26.71 dB；按未舍入配对差计算的身份增益为 0.083，95%区间[0.072,0.095]。RTX4070Ti 修复调用 0.07 秒/帧，A100 为 0.04 秒/帧，含窗口 UV 渲染但不含离线相册编码与低清视频拟合。

• 批判点评：更像本人不等于所有画质指标都更好：无参考画质 MUSIQ 从 72.34 降到 52.32，轻退化下身份分也低于 SeedVR2。第 2 路纹理在最终 2 万步消融中身份只增 0.001、区间跨零，主要收益是 MUSIQ 增加 0.69。相邻帧身份变化 VIDD 低于真值不自动代表更自然。只测单数据集的合成退化与整理过的相册，尚未证明真实监控或受污染相册有效；0.07 秒不是完整直播时延。原文未给本方法官方代码链接。

2. RADI3N：挪动部件让纹理跟着走

RADI3N: GeometRic ImAge EDiting via ParametrIc 3D CoNtrol | 纽约州立大学布法罗分校；萨里大学；西蒙菲莎大学 | arXiv:2610.40973

关键词：几何图像编辑, 部件控制, 协方差平滑, 跨图注意力

• 前序问题：想只转动照片中鹦鹉的头，拖二维点可能把脖子拉断；即使三维形状摆对，生成器又可能把旧位置的纹理抄回来。形状控制和外观跟随要一起解决。
• 方法直觉：先在三维里摆好部件，再借原图恢复外观。部件边界的转动要平滑；借纹理时，弱化注意力对旧坐标的执着，让它找语义上对应的部位。
• 本文贡献：视觉语言模型定位物体与部件，SAM3D 把单图升为网格；多视角分割投到 UV 纹理坐标后投票，抽取稀疏控制点，接受三平移加三旋转的 6 自由度命令。CS-ARAP 在尽量保持局部刚性的变形求解中，先平滑邻域协方差再做奇异值分解求旋转，并加入双拉普拉斯项抑制边界曲率突变。随后用 IP-Adapter 图像条件与 SDS（借扩散模型给渲染图的梯度）细调网格。最终跨图注意力只调源图键的旋转位置编码 RoPE：去高频、放大低频，让纹理随新几何移动，无需把原图反演回噪声。

• 实验效果：GeoBench 含 811 源图、5988 条移动/旋转/缩放指令。相对 Nano Banana2，三轴平均绝对角误差 MAAE 从 12.04°降至 7.07°，误差不超过 5°的比例从 37.4%升到 78.9%；换独立 Hunyuan3D 重建器测角度后，本方法为 8.41°与 74.6%，说明收益不只来自复用 SAM3D 评分。端到端每编辑 95–100 秒，FlowDrag 为 120–135 秒，FreeFine 为 40–45 秒；CS-ARAP 单独求解 1.79 秒、69 次迭代，不等于完整编辑时间。

• 批判点评：几何更准有外观取舍：CLIP 图像相似度 0.924、图像分布距离 FID148.47，均不及 Nano Banana2 的 0.933 与 144.08。角度仍依赖自动重建，极端遮挡或初始网格错误可能传给后续优化；视频只是下游应用展示，不能写成已有视频参考编辑基准全面胜出。代码地址当前为空仓，尚无可核实实现；95–100 秒的硬件口径未在主文同处给出。

3. PicturePerfect：同一个人换表情保住背景

PicturePerfect: Diffusion-based Same-identity Facial Replacement | 高通 AI Research | arXiv:2610.39344

关键词：同身份面部替换, 表情编辑, SDXL, 光照增强

• 前序问题：合影中某人闭眼，另一张同一个人的照片表情正好。只传关键点会丢脸部细节，直接把参考脸贴过来又会带入错误光照、角度和背景。
• 方法直觉：训练时给模型看同一个人的参考脸，但故意打乱颜色、位置和照明，迫使它借表情与身份，再适应原合影，而非原样复制参考照片。
• 本文贡献：从目标图分割内脸，施加仿射、颜色、翻转及 NeuralGaffer 重打光增强，得到驱动脸。SDXL 的变分自编码器 VAE 先压缩图像，再把原图、增强驱动脸、带噪目标潜变量沿宽度拼接，训练扩散模型恢复目标。内部数据抽 25000 张中性脸，每张用 LivePortrait 生成 20 种表情，约 50 万图、6724 身份；每组 21 图可抽 420 个有序异图配对，总计可采样超过 1000 万对，并非 1000 万独立实拍。8 张 A100、有效批 64，微调 25000 步，图像训练尺寸 576×576。

• 实验效果：同分布测试从 FFHQ 与 VoxCeleb2 各合成 5000 样本：身份余弦 CSIM 为 0.818，LivePortrait 为 0.558；FID 图像分布距离 7.81，DAM 为 24.86，越低越好。跨拍摄条件测试中，真实 PicturePerfect 的 CSIM0.631、FID28.08，但表情距离 2.50 差于 HyperReenact 的 2.25，姿态距离也未领先。10 人对每人 252 个同分布、175 个跨分布输出作真假判断，本方法被判真的比例 59%和 44%，这是感知比例而非任务成功率。

• 批判点评：它专为同身份照片替换设计，不是跨身份换脸或视频时序模型。训练主要依赖 LivePortrait 合成，眼部、头发及极端脸尺寸仍会出错；PSNR 像素还原和 LPIPS 感知距离也并未全胜。没有增强时部分数字反而更高，作者将其解释为复制捷径，补充表中保留了这些反向结果。原文是 ECCV2026 生物识别生成模型 Workshop 终稿，不写成 ECCV 主会；数据是将来开放声明，未核到本方法代码，主文也未报告每图推理时间。

4. WeGenEditBench：高分改图也要逐项查漏

From Evaluation to Evolution: Benchmarking Image Editing and Evolving Image Models | 中山大学；腾讯 WeChat Vision；西安电子科技大学；复旦大学；清华大学深圳国际研究生院 | arXiv:2610.41210

关键词：图像编辑评测, 原子检查单, 定向数据, 低秩适配

• 前序问题：让模型把鞋子和摆件都变成银色，鞋子改得漂亮就可能拿高分，漏改的摆件被总分盖住。这样的反馈很难告诉下一轮训练到底缺什么。
• 方法直觉：评分前把需求拆成小检查单，先留下哪一项没做到的证据，再汇总；训练时只把失败类别与抽象条件传给新数据构造，避免照着测试图重新造题。
• 本文贡献：基准有 2740 实例、19 任务族、148 任务类型，覆盖单图、文字密集及多参考编辑。统一视觉语言裁判逐项记录扣分与理由，再给执行、保留、画质、专门要求四维 0–5 分；每子集 10%实例由 3 位专家抽审，修订后所有模型重评相关样本。WeGenEvoStudio 用失败诊断、检索新素材、合成监督、秩 16 的 LoRA 适配再重评。每个底座—基准单独训练 25000 例，分给 5 个弱类别各 5000 例；32 张 MLU590、每设备批 1，额外还有检索、生成与裁判调用成本。

• 实验效果：15 种模型配置中，GPT-Image-2 单图总分 4.076，Seedream5.0Pro 文字编辑 4.291；不同场景总分公式不同，不能横向直接当同一能力。GPT 单图中总分≥4 的 644 输出仍有 315 个含严重失败项，即 48.9%，不是全部输出的失败率。在报告选定的 Top-5 单图弱类别上，FLUX.2 总分 1.083→3.517；Qwen 编辑器 2.834→3.208，按未舍入值增 0.373、13.2%。目标类别因底座而异，前后只比较共同有效实例。

• 批判点评：Top-5 定向收益不能冒充全基准进步，更不能证明已完成多轮自主进化。Qwen 在 GEdit 完整基准总分反降 0.190，单图目标上专门要求分降 0.128；更会执行显眼操作仍可能破坏其他规则。裁判版本与少量无效响应影响有效样本，微小名次差未必稳健；检索消融也有动物类别退步。未核到本框架官方实现地址，不能把各底座开放当作系统已开源。

5. Any Forcing：先把首帧做好再一步续拍

Any Forcing: Any-Step Generality and One-Step Stability for Autoregressive Video Generation | 西安电子科技大学；华为计算技术研究所；华为诺亚方舟实验室 | arXiv:2610.42031

关键词：自回归视频, 一步采样, 对抗蒸馏, 长期记忆选择

• 前序问题：把扩散视频压成一步后，第一张潜在帧一旦模糊，后续就一路带偏；只留下最近画面，又容易忘记最初的主体。换采样预算时也常要重训模型。
• 方法直觉：训练时同时检查整段是否真实、少一步能否接近多一步、首帧是否够好。推理时保留开头和最近画面，再从旧画面里挑真正还有用的少量记忆。
• 本文贡献：以 Causal Forcing 的 ODE 蒸馏因果模型初始化 Wan2.1-1.3B 学生。共享判别器做真实分布对齐、相同步噪声的相邻步一致性及首帧增强，前 200 训练步另对齐教师常微分方程 ODE 采样终点；16 张 A100 训练 1000 次迭代，每次生成器更新配 5 次假分布评分模型更新。长视频保留 3 个全局锚点、2 个长期记忆及 1 个近期上下文；候选须同时比最弱记忆更贴近全局锚点和近期内容才替换。将历史位置按顺序映回训练 RoPE 位置编码范围，选择只用干净历史查询，不用当前纯噪声查询。

• 实验效果：480p、946 提示各采 5 次，VBench 的 5 秒总分：4 步 85.09；首个潜在帧 4 步、以后 1 步为 85.06；首帧 2 步、以后 1 步为 84.79。这里 NFE 是每潜在帧的模型函数调用数，“一步”不代表全视频只调一次，也不代表首帧一步。30/60 秒在前一种计划下为 84.56/84.46。单 H100 短/长视频吞吐 20.9/24.7 帧每秒；长视频无训练选择机制，与生成器的蒸馏训练分开计。

• 批判点评：长视频对照把 Infinity RoPE 等记忆策略接到同一本文生成器上，主要隔离记忆策略差别，不能当成各原始系统直接排名。128 提示的消融不能说覆盖全部 946 提示；综合分接近也不证明每一维都不退步。固定容量会丢历史，60 秒稳定不等于无限记忆。官方项目有展示与评测，目前未提供可核实的代码仓链接；FPS 未给完整交互首帧响应时间。

6. RadialObj：让扩散更新别只挤少数通道

No Channels Left Behind: Understanding Diffusion Acceleration through Residual Gates | 延世大学；NAVER AI Lab | arXiv:2610.40914

关键词：扩散训练加速, 残差门, 通道参与度, 无教师正则

• 前序问题：给扩散模型加特征对齐，训练变快了，究竟是教师传来空间结构，还是模型内部更新方式也变了？只盯最终图像，很难分清原因。
• 方法直觉：Transformer 每个残差分支前有逐通道旋钮，控制该通道更新放进去多少。作者观察到，加速训练往往让更多通道共同承担更新，于是尝试只约束特征长度来改变这种分配。
• 本文贡献：AdaLN-Zero 用门向量α逐通道缩放残差输出，且同一门跨图像 token 位置共用。归一化参与比 nPR 为各门幅度平方之和的平方，除以四次方和再除通道数 D；若只有 m 个等幅非零通道，它为 m/D，衡量分配是否集中，不衡量更新总大小。Radial 目标在速度预测损失外，惩罚每张图全部 token 与通道拼平后的特征范数偏离目标 c，无教师、无样本两两距离。扫描 5 个目标后选 c=10√(ND)，N 是 token 数，D 是通道数；前 5 次迭代校准辅助梯度约为主损失的 10%。

• 实验效果：ImageNet256×256、SiT-B/2 训练 40 万步：FID 图像分布距离从普通训练 16.24、Dispersive13.19 降到 11.83，越低越好；末层门平均 nPR 从 0.434、0.525 升到 0.642。这里在 101 个扩散时间点×1000 类别上计算后平均。带教师的 REPA 仍更好，FID7.71；Radial 的空间 FID 为 5.27，略差于 Dispersive5.25。它是在同训练步数改善质量，不能直接换算同等质量墙钟加速倍数。

• 批判点评：相关性不是完整因果证明：训练后把门强行拉均匀并不总能改善质量。理论只在忽略跳连交叉项、通道对称等条件下讨论局部门空间小步，不能保证实际优化器每步都提高参与度。目标范数经 FID 选优，这份搜索也有成本；研究以 ImageNet 类别条件模型为主，尚未验证任意文生视频。论文给的代码链接当前 404，不宣称可复现。

7. MFlowAudio：边出声音边接新的提示

MFlowAudio: Efficient Text-to-Audio Synthesis via Mamba-based Stateful Flow Matching | 伦敦大学学院；伦敦国王学院 | arXiv:2610.41852

关键词：文生音频, 有状态流匹配, 双轴Mamba, 动态提示

• 前序问题：想先听人群再听马鸣，整段生成必须等完，分段生成又可能在提示切换处咔哒一下。普通注意力还会随时长积攒越来越多历史缓存。
• 方法直觉：像逐行读谱一样沿时间保留固定状态，再横着看潜在通道间的联系；每块接上上一块状态，换提示时削弱与旧状态重复的驱动力，让新声音接进来。
• 本文贡献：TCMamba 把时间扫描与通道扫描结合，用流匹配学习从高斯噪声到声音潜变量的连续速度场；VAE 负责波形压缩/解码，文字用 T5 编码。有状态流匹配 SFM 按块缓存每次前向的终态，在固定块长、通道数和文字长度下，状态缓存不随总时长增大。SDCG 即状态解耦条件引导，在切换边界额外做一次带历史但无文字的前向，区分新文字与旧声音贡献；不是完全免费控制。44.1kHz 数据训练，581M 约 5.81 亿参数，8 张 H100、每卡批 64 训练 100 轮。

• 实验效果：单 RTX5080/16GB、20 次平均，10 秒音频耗 1.93 秒，TangoFlux3.51 秒；30 秒耗 3.10 对 3.55 秒，后者延迟降低约 12.7%，不是 14.5%少耗时（14.5%对应速度比提升）。64 个潜在位置约 3 秒一块，首块约 1.8 秒。AudioCaps4352 测试样本的 10 秒结果：FD 音频特征分布距离 11.8569 优于 15.8429，但 VGGish 特征 FAD 距离 2.5248 差于 2.1963；文字声音对齐 CLAP0.4957 也略低于 0.4990。动态提示边界谱变化比 BBR 为 4.3287，TangoFlux 为 11.6443，越低表示切换点相对背景变化更平滑。

• 批判点评：不能把固定 18MB 的状态缓存当成整个系统显存恒定：它按一次前向计，采样步数及解码器仍有开销。非因果 VAE 要重叠和前瞻，边界控制还额外前向；完整播放时延需连解码一起算。消融中引导的 BBR4.3287 反差于未经调整的 4.2633，控制服从与平滑有取舍；BBR 也不等于听感无瑕。arXiv 评论标注 NeurIPS2026，但正文不扩写奖项；演示页存在，未核到本方法完整训练代码。

8. TalkFlow：嘴脸和身体分开生成再协调

TalkFlow: Structured Latent Flow Matching for Speech Driven Holistic Motion Generation | 纽约州立大学石溪分校；Futurewei Technologies | arXiv:2610.40972

关键词：语音驱动动作, 三流潜空间, 流匹配, 面身协调

• 前序问题：数字人嘴型跟上了，手势却慢半拍；把脸与全身都压进同一表示，又可能丢表情细节。它们节奏不同，但必须演同一段话。
• 方法直觉：先让整套骨架记住身体连接关系，再把上身、下身、表情分三路压缩与生成，用少量可控的信息交换协调，而非各自生成后硬拼。
• 本文贡献：SMPL-X 参数化人体含 55 关节旋转与 100 表情系数。先用整身图卷积保留拓扑，再形成上身/下身/表情三路连续潜变量；自编码器与生成器都用 FiLM 按特征缩放偏移并加门，连接上身—下身及上身—表情，无直接下身—表情边。HuBERT 语音、Librosa 声学、FastText 词向量和 SBERT 句向量组成分路条件，不能省略转录文字。冻结解码器后以流匹配从随机噪声生成动作，并加积分后解码的重建损失。训练窗 240 帧即 8 秒，时间压缩 4 倍；长序列推理只重叠 8 原始帧、线性混合与平滑，区别于训练分段重叠 60 帧。

• 实验效果：BEAT2 沿用 Speaker-2 单说话人、85%/7.5%/7.5%划分。50 次 Euler 函数求值（逐步积分速度场），预提取语音条件后单 RTX4070TiSUPER 为 0.006 秒/帧，不含特征准备。表中面部顶点均方误差 MSE5.77，单位 10⁻⁸；顶点 L1 差 LVD6.65，单位 10⁻⁵，均优于 MambaTalk6.29/6.90。动作特征分布距离 FGD5.24，单位 10⁻¹，差于 EchoMask4.62；节拍一致 BCS7.84、单位 10⁻¹，也低于 ProbTalk8.10。37 人排名中，真实感、语义和整体同步获最低平均名次，越低越好。

• 批判点评：节拍分接近最佳不代表更自然：真值 BCS6.86 还低于多种生成器，强行追节拍不能代表自然。DIV 是坐标差异量，不是高层风格多样性，TalkFlow 为 11.48 而 EchoMask13.37。单说话人不能证明跨人泛化，也无显式风格或全局位移，偶有滑脚。项目与代码已有训练/推理源码；完整基准评分仍依赖外部 EMAGE 工具，本次未运行模型。

9. GeoFlip：挪一点支撑结果会翻转吗

GeoFlip: Benchmarking Geometry-Sensitive Physics in Video Generation | 纽约市立大学；墨尔本大学；中山大学；香港中文大学；卡内基梅隆大学 | arXiv:2610.42002

关键词：视频生成评测, 几何干预, 物理结果翻转, 结构完整性

• 前序问题：同一块木板，伸出桌边少一点能稳住，多一点就会掉下去。两个视频都很清晰、动作也流畅，却可能无视这点几何差别而给出同样结果。
• 方法直觉：固定文字、质量和摩擦等物理条件，只改支撑范围或物体位置，先用仿真验证结果应该翻转，再分别看生成器有没有改对事件，以及有没有顺手把硬物掰弯。
• 本文贡献：基准含 482 对、964 段参考，覆盖支撑、力矩、重力、接触、弹性、滑轮六类；程序建场、物理模拟与数值误差检查后用 Blender 渲染。模型只看各自首帧和共享提示，独立生成。事件正确率先在每任务内按事件类别平衡召回，再对任务等权宏平均；不确定算错。结构完整性只把明确无变形/增件等的条件算清楚，不与事件正确合并成一个成功标签。像素 PSNR 和结构 SSIM 另评参考相似度。

• 实验效果：16 模型主比较用共同 442 个条件、34 任务，不是全部 964 段；GPT-6-Astra 每视频看 8 抽帧。Wan2.2 事件正确率最高 27.98%，结构完整仅 34.38%；LingBot 分别 26.69%与 60.81%。LTX 的 PSNR29.87dB 最高，事件率却 18.41%，可见像不像参考与物理事件不同。跨裁判另用 346 条件，事件/结构排名 Spearman 相关 0.906/0.929；结构分绝对差平均 15.14 个百分点，即便排序一致，宽严仍差很大。

• 批判点评：27.98%是任务宏平均事件率，不是几何配对同时成功率，也不是现实物理能力上限。参考相似度只用 40 段，与 442 条件的事件/结构分分母不同；模型采用各自分辨率、帧数与采样计划，不能当同算力竞赛。八抽帧可能漏过程错误，结构标签裁判分歧明显。研究提供受控诊断而非视频纠错算法，执行完整 16 模型及双裁判需另付生成/评测成本；原文未给官方基准代码链接。

10. L3G-World：把三维记忆直接喂给视频模型

L3G-World: Real-Time Infinite World Generation with Latent 3D Gaussian Memory | KAIST AI；梨花女子大学；KAIST Urban AI Institute | arXiv:2610.40614

关键词：世界生成, 潜在三维记忆, 高斯更新, 少步蒸馏

• 前序问题：相机绕房间一圈回来，家具位置变了。保存每帧历史会越来越占内存；保存三维场景后每次渲染彩色图再编码，又拖慢新画面生成。
• 方法直觉：记忆按场景的地盘分配，不按走了多久重复堆；把视频模型本来读的压缩特征也放进三维点里，换视点时直接渲染给它。
• 本文贡献：L3G-Mem 用彩色重建误差和不透明度找记忆缺口，只在那里聚类创建高斯元（带位置、尺度及特征的可渲染单元），并取当前可见旧高斯做残差修正。新旧 token 共同注意力交互；每高斯另存变分自编码器 VAE 潜特征。L3G-Gen 以 Cosmos-Predict2.5 为底座，拼接目标视点渲染的潜特征、不透明度和噪声生成下一块，再回写记忆。LoRA 低秩微调、AnyFlow 少步蒸馏得到 Fast 版；各模块用 4 张 A100 训练。内存随已探索空间增大，重复走相同区域才趋稳，不是无限地图零增长。

• 实验效果：481 帧往返同相机路径测试中，完整模型 DL3DV 返回视点的 PSNR16.00dB、LPIPS 感知差异 0.366，NeoVerse 为 13.53/0.652；这是前后同位姿自洽，不是未知世界真值。原文表 1 另用单 H100、400 帧成本测试：480×832、峰值 7.4GiB、总吞吐 9.02 帧/秒；实时流程采用少步版，不能把完整模型画质与 Fast 速度当同一配置。表 2 的 VAE 渲染 1086.58 帧/秒只计记忆条件形成，也不是整段视频速度。

• 批判点评：快版在 DL3DV 的 FID43.05 差于完整版 40.57，RealEstate10K 的自洽与位姿也非全项领先；未知区域仍是生成，不证明物理正确。主文实验设置写单 A100 效率，而表 1 明确 H100，应按表分开引用。摘要的原语减少 38.6 倍与正文对 NeoVerse 的 266–417 倍基线不同，不能混作同一加速倍数。项目与仓库当前发布计划仍未勾选模型/推理代码，仅有说明和展示；尚不能声称可直接复现。

趋势观察

先确定参考究竟提供什么

AlbumVSR 把身份与朝向对齐纹理拆开，RADI3N 分开几何与纹理，PicturePerfect 破坏驱动光照以免复制。参考不是越完整越好，需阻断会随条件变化的错误线索。

单一总分会藏住真实取舍

WeGenEditBench 高分输出仍可能漏项，GeoFlip 把事件与结构分开，TalkFlow 的节拍分甚至高过真值也不保证自然。按任务失败逐项复核，比只看榜首更有用。

缓存越小越要写清计数口径

Any Forcing 只保少量历史，MFlowAudio 每前向状态缓存不随时长增长，L3G 记忆按空间覆盖增长。三者都不是无限上下文无成本；首帧、额外前向和解码仍要单算。

诊断有价值但别跨越因果边界

RadialObj 给出门参与度相关性及局部条件分析，WeGenEvoStudio 做一轮定向适配。前者不是完整因果定理，后者不是已验证无限自我进化。

今日讨论

AlbumVSR 的 ID-GT 从 0.586 到 0.670，MUSIQ 却从 72.34 降到 52.32；第 2 路纹理只把身份增 0.001。若相册里混入错人，应怎样用“相似度低于 0.5”的筛选与错人相册对照，确定何时拒绝参考、退回普通视频修复？

人工智能炼丹君 整理 | 2026-11-03