把高斯噪声
沿运动可靠传输

研究问题与核心判断

逐帧图像扩散模型在视频上缺少运动相关的噪声先验。独立噪声造成高频细节逐帧变化，固定噪声把细节固定在图像坐标，普通插值会改变方差和空间独立性。论文研究的问题是：给定光流或形变，如何同时保存时间相关、单帧标准高斯分布和像素间独立性。

输入、输出与作用位置

从随机测度到条件细分

白高斯随机测度

在 \(E=[0,D]\times[0,D]\) 上取 Borel σ-algebra \(\mathcal{E}=\mathcal{B}(E)\) 和 Lebesgue 面积测度 \(\nu\)。白噪声 \(W\) 是随机集合函数，有限面积集合 \(A\) 对应：

互不相交集合满足独立性与可加性：

任意两个集合的协方差由交叠面积决定：

第 \(k\) 层把每条边细分为 \(2^k\) 份。线性放大倍数为 \(N=2^k\)，子像素总数为 \(N_k=4^k=N^2\)，每个子像素面积与方差为 \(1/N_k\)。

给定粗像素的条件高斯

把单位像素 \(A\) 分成 \(N\times N\) 个子块。令 \(X=W(A)=x\)，\(\mathbf{Y}\in\mathbb{R}^{N^2}\) 收集子块积分，\(\mathbf{u}\) 为全一向量。联合高斯的条件公式为：

条件协方差在全一方向上的特征值为零。取 \(\mathbf{Z}\sim\mathcal{N}(\mathbf{0},\mathbf{I}_{N^2})\)，\(\bar Z=N^{-2}\mathbf{u}^{\mathsf T}\mathbf{Z}\)：

将细分噪声乘以线性倍数 \(N\)，Algorithm 1 的单位方差版本为：

Table 2：符号定义

分布保持传输与离散算法

连续传输：Jacobian 平方根

假设 \(T:E\rightarrow E\) 是 diffeomorphism。论文在反向取样时乘以 Jacobian 行列式的负二分之一次方：

这里的 \(W(T^{-1}(x))\,\mathrm{d}x\) 按白噪声分布作用于测试区域理解；附录以 Brownian sheet 的 Itô 积分 \(W(x)\mathrm{d}x=\mathrm{d}B(x)\) 赋予严格含义。令 \(y=T^{-1}(x)\)，变量替换和 Itô isometry 给出：

离散近似

对目标像素 \(p\)，把轮廓按 \(s\) 细分并三角化，再以 reverse deformation 映射回 anchor。覆盖的第 \(k\) 层子像素集合为 \(\Omega_p\)。令 \(W_k(A_i^k)=\sqrt{N_k}W(A_i^k)\)：

平方根归一化确保独立标准高斯之和仍有单位方差。多边形覆盖集合决定跨帧 covariance。

一维 Brownian bridge 解释

线性插值的方差为 \((1-\alpha)^2+\alpha^2\)，在区间内部低于 1。积分噪声条件分布为：

stochastic residual 补足缺少的方差；对 \(x_0,x_1\) 积分后得到 \(\operatorname{Var}(z)=1\)。

比较 prior 的实际定义

实验设置与复现边界

Table 1：四类任务主结果

Warp MSE 单位为 \(10^{-3}\)。Ours 在 appearance 与 SR temporal metric 上领先；JPEG Warp、PIDM Warp、FID、Precision 和 SR LPIPS 由其他 prior 更优。

Appendix Table 3：每帧运行时间

在指定设备与分辨率上，629.01 ms 对应约 1.59 帧每秒；该结果不能称为实时。

Appendix Table 4：24 帧开销

CPU time 与 wall time 的单位均为秒；输入为 24 帧、每帧 \(256\times256\)。

Appendix Table 5：SDEdit Warp MSE

Appendix Table 6：SDEdit FID / Precision

Appendix Table 7：I²SB Warp MSE

Appendix Table 8：I²SB LPIPS

Appendix Table 9：PIDM Warp MSE

Figure 1–17 阅读地图

官方项目页提供视频与方法图。论文静态 Figure 以编号占位说明，便于回到 PDF 核查。

Appendix E：latent diffusion 限制

作者报告 warped noise 在 latent diffusion 中的增益较小，并给出三个原因。

实验使用两个同心灰色圆盘，每帧向右移动 8 个 image pixels；Stable Diffusion 压缩倍数为 8，手工把 latent 噪声圆盘移动 1 个整数像素。输入作为 ControlNet scribble，并使用固定 pizza prompt。三组设置依次为 ControlNet、加入 cross-frame attention、再注入并 warp 第一帧 layers 4–11 feature maps。

Reviewer Commentary

来源与身份核查

1. ICLR 2024 OpenReview：会议论文标识 pzElnMrgSD。
2. 官方项目页：作者、ICLR 2024 Oral、方法图、任务视频与 DeepFloyd IF 扩展。
3. 官方补充页面：root-bilinear、DDIM inversion 与 latent 结果。
4. arXiv:2504.03072：2025-04-03 上传，页面标注 Accepted at ICLR 2024 (Oral)。
5. 本地论文 PDF：32 页；正文 1–10 页，References 延续至 14 页，Appendix A–E 位于 15–32 页。

论文 PDF 与官方页面均未发现明确通讯作者标记。归档继续把末位作者 Vinicius C. Azevedo 记录为候选，状态为 unverified。