改变什么
姿态、视角、物体数量或动作；允许空间布局发生明显变化。
01 · 一句话抓住贡献
MasaCtrl 把“目标应该长成什么姿态”和“目标应该用谁的外观”拆开：目标分支保留自己的 Query，去源图分支的 Key/Value 中检索纹理与身份线索。它不训练新模型，而是在已有扩散模型的特定采样阶段、特定 U-Net 层改变信息流。
Paper Verified：固定阅读对象是 arXiv:2304.08465v1，2023-04-17，13 页：正文 1–11 页，参考文献 12–13 页。共有 Figure 1–13、Algorithm 1、编号公式 1–8；该文件没有 Appendix、Supplementary 或编号数值表。官方项目与仓库确认 ICCV 2023，22560–22570。后续代码扩展独立标注，不冒充 v1 实验。
作者为 Mingdeng Cao、Xintao Wang、Zhongang Qi、Ying Shan、Xiaohu Qie、Yinqiang Zheng。第一作者隶属东京大学及腾讯 ARC Lab。固定 PDF 的星号解释为实习工作，并非通讯作者标记；当前官方项目页明确以信封标记 Xintao Wang 与 Yinqiang Zheng。原笔记元数据暂不改写，建议未来人工合并时以该一手证据更新。官方项目与作者标记
保留什么
源图对象的纹理、颜色、外观身份及背景内容；这是经验性视觉一致性，不是精确重建保证。
不需要什么
不微调扩散权重，不优化文本 embedding；真实图仍需 DDIM inversion，推理仍有双分支成本。
本页论文事实主要依据固定 PDF；各节页码对应 v1 原文。标为 Our Interpretation、Reviewer、Research Extension 的内容是分析或研究建议。
02 · 研究缺口与方法位置
相同随机种子只能让两个生成过程从相同噪声起步，不能让不同 prompt 的去噪轨迹始终表示同一个角色。例如将坐着的小猫改成躺着的小猫，姿态可能改变，但毛色、脸形、地板都会漂移。另一方面，P2P 等方法通过保持源布局提升编辑稳定性，却会限制非刚性变化。MasaCtrl 的问题不是“让编辑尽量少变”，而是“结构可以变，内容仍像同一对象”。
Imagic 已探索非刚性真实图编辑，但需要图像相关的 embedding 优化及模型微调。本文希望用一次推理期信息重路由替代每张图的训练适配。其直觉是：扩散早期确定粗布局；在较晚阶段、U-Net decoder 中，语义相关位置具有可匹配的 Query，因此目标姿态中的身体区域可检索源图身体纹理，而不必复制同一像素坐标。
图解：Figure 2 上排把“固定 seed 不等于身份一致”作为动机；下排展示无 mask 与有 mask 的差异，揭示检索机制会把相似颜色的前景、背景混淆。这里是选取案例，不是成功率统计。
| 相关路线 | 控制或优化对象 | 与本文问题的关系 |
|---|---|---|
| Prompt-to-Prompt / P2P | 图文 cross-attention | 保持语义布局有利于局部替换，却可能妨碍姿态变化 |
| Plug-and-Play / PnP | 源图空间特征、attention 信息 | 适合结构保留的图像翻译；本文强调改变结构 |
| SDEdit | 输入图加噪后再去噪 | 噪声强度在编辑幅度与源保真之间折中 |
| Imagic | 文本 embedding 与模型参数 | 能力相近但需要优化；不是本文 Figure 6/7 的直接展示基线 |
| T2I-Adapter / ControlNet | 姿态、边缘等结构条件 | 提供目标布局，与本文的源外观检索互补 |
来源：PDF pp. 1–3、Sec. 2；以上表格为本页整理，不是原论文数值表。
03 · 输入输出、符号与表示
| 符号 | 含义 | 在流程中的作用 |
|---|---|---|
| \(I_s,P_s\) | 源图与源文本 | 源图可生成，也可来自真实照片；真实图在本文设置下使用空源 prompt |
| \(P,I\) | 目标编辑文本与目标图像 | 文本确定目标动作、视角等；输出希望继承源图内容 |
| \(z^{s}_{t},z_t\) | 源与目标在时刻 t 的潜变量 | 两个同步的扩散轨迹，默认共享初始噪声 |
| \(\epsilon_{\theta}\) | 冻结的去噪 U-Net | 以潜变量、文本和时间为条件预测噪声 |
| \(Q^{l},K^{l},V^{l}\) | 目标第 l 层的查询、键、值 | Query 保持来自目标；激活控制时键和值改用源分支 |
| \(K^{l}_{s},V^{l}_{s}\) | 同一步同一层的源键和值 | 动态的内容库，不是最终 RGB 图的静态 patch 库 |
| \(S,L\) | 控制起始采样步及层 | 决定目标自由成形与源内容注入的时间/空间边界 |
| \(M_s,M\) | 源、目标对象 mask | 前者限制可查询的键，后者选择输出采用前景还是背景结果 |
模型产物是图像，不是 3D geometry、显式材质或程序图。内部 latent 是 VAE 的图像表示，自注意力 token 是空间特征，不是材质节点 token。本文没有针对身份保持写出新的优化目标、reward 或可微约束；所谓一致性由推理机制与视觉样例支撑。
Our Interpretation：在一个 head 中可把目标 \(Q\) 看作 \(n_t\times d\)，源 \(K_s\) 为 \(n_s\times d\)，源 \(V_s\) 为 \(n_s\times d_v\)。注意力输出形状是 \(n_t\times d_v\)：目标位置数不变，但每个位置的内容由源位置加权组合。这就是可改变几何布局、又继承外观的操作基础。
04 · 公式逐条拆解与原文勘误
4.1 扩散背景：公式 1–3 不是本文新训练目标
PDF 的式 1 印刷为下式，均值缺少 \(x_0\)，下标也不一致；式 3 的文字称 MSE，但范数没有平方。本页同时保存原式语义与标准化解释，避免静默纠错后误称逐字原式。
\[q(x_t\mid x_0)=\mathcal N(x_t;\sqrt{\bar\alpha},(1-\bar\alpha)_t I)\qquad\text{(1，原式)}\]
标准扩散解释应为 \(\bar\alpha_t=\prod_{i=1}^{t}\alpha_i\)，前向分布均值为 \(\sqrt{\bar\alpha_t}x_0\)，协方差为 \((1-\bar\alpha_t)I\)。可等价采样：
\[x_t=\sqrt{\bar\alpha_t}x_0+\sqrt{1-\bar\alpha_t}\epsilon,\quad\epsilon\sim\mathcal N(0,I).\]
这个补全用于说明“向图像加噪”；MasaCtrl 实际在 latent \(z\) 中运行，且不会重新训练这个前向过程。
\[p_{\theta}(x_{t-1}\mid x_t)=\mathcal N(x_{t-1};\mu_{\theta}(x_t,t),\sigma_t)\qquad\text{(2)}\]
式 2 表达从带噪状态恢复上一步的反向分布，\(\mu_\theta\) 来自噪声预测，\(\sigma_t\) 在原文作为时间相关方差符号。原文给出的均值展开也缺少标准公式分母中的平方根，不能直接作为数值实现。标准 DDPM 写法是：
\[\mu_{\theta}(x_t,t)=\frac{1}{\sqrt{\alpha_t}}\left(x_t-\frac{1-\alpha_t}{\sqrt{1-\bar\alpha_t}}\epsilon_{\theta}(x_t,t)\right).\]
\[\mathcal L_{\mathrm{simple}}=\mathbb E_{x_0,\epsilon,t}\left(\|\epsilon-\epsilon_{\theta}(x_t,t)\|\right)\qquad\text{(3，原式)}\]
原文意图是预测加入的噪声；标准 MSE 应写 \(\mathbb E\|\epsilon-\epsilon_\theta(x_t,t)\|_2^2\)。这些是预训练扩散模型的背景知识，不是 MasaCtrl 为每幅图执行的新 loss。推理采用 DDIM 而非逐字使用式 2 进行随机 DDPM 采样。
4.2 真正被修改的算子：公式 4
\[\operatorname{Attention}(Q,K,V)=\operatorname{Softmax}\left(\frac{QK^{\mathsf T}}{\sqrt d}\right)V.\tag{4}\]
\(d\) 是每个 head 的键/查询维度。Softmax 沿键的位置归一化，使每个目标 Query 得到对源 Value 的混合权重。普通 self-attention 的三者来自同一图像；图文 cross-attention 的键和值来自文本；本文的 mutual self-attention 则把视觉目标的 \(Q\) 与视觉源图的 \(K_s,V_s\) 配对。这里“cross”是跨图像轨迹，不能与图文 cross-attention 混称。
4.3 时间和层的闸门：公式 5
\[\operatorname{EDIT}=\begin{cases}\{Q,K_s,V_s\},&t\gt S\text{ 且 }l\gt L,\\\{Q,K,V\},&\text{其他情况}.\end{cases}\tag{5}\]
复现警告：原式把 t 写成大于 S，而 Algorithm 1 的 t 从 T 倒数到 1；若把它直接理解成 scheduler 的噪声时间，会反转“先让目标形成布局，再注入源内容”的意图。当前官方实现采用从零递增的 cur_step，并用 range(start_step,total_steps)，层同样从 start_layer 开始包含端点。因此建议在自己的实现中用 \(k=0,\ldots,T-1\) 表示采样迭代，以 \(k\ge S\) 与选中的 decoder 层定义控制，而把 scheduler timestep 单独记作 \(\tau_k\)。这是一项明确的实现解释，不是把原式 5 改写成不存在的论文公式。
4.4 前景/背景的两次检索：公式 6–8
\[f_o^{l}=\operatorname{Attention}(Q^{l},K_s^{l},V_s^{l};M_s),\tag{6}\]
\[f_b^{l}=\operatorname{Attention}(Q^{l},K_s^{l},V_s^{l};1-M_s),\tag{7}\]
\[\bar f^{l}=f_o^{l}\odot M+f_b^{l}\odot(1-M).\tag{8}\]
式 6 只允许检索源前景，式 7 只允许检索源背景，式 8 在目标空间依目标 mask 组合结果。原文的星号在这里是逐元素乘法，本页用 \(\odot\) 避免误读为矩阵乘法。不要把源 mask 直接贴到目标坐标上，那会重新锁死姿态。
实现可在不允许的 source key 上加极小 logit，再 Softmax；概念上相当于 \(\operatorname{Softmax}(QK_s^{\mathsf T}/\sqrt d+B_s)V_s\)，其中合法位置偏置为 0，非法位置趋于负无穷。后一句是算子展开解释。需要处理空 mask 与常量 attention map，否则归一化或全屏蔽可能出问题。
公式依据：PDF pp. 3–6，Eq. 1–8；实现边界依据 官方 attention controller，2026-09-30 读取。标准化补全均已与原文排印区别标注。
05 · 从输入到输出的完整推理
- 建立源轨迹。生成任务从源 prompt 和噪声生成源图；真实图任务先用 VAE 编码，再执行确定性 DDIM inversion 得到初始噪声。固定 PDF 对真实图设源 prompt 为空。反演重建质量决定可保留内容的上限。
- 同步两条轨迹。默认源与目标初始 latent noise 相同。源文本保持原内容，目标文本修改动作/视角等。源分支每步提供对应层的键和值，不是仅缓存最终源图 embedding。
- 先生成目标布局。前几个采样步骤保持目标正常 self-attention，让目标 prompt 有机会决定姿态。太早介入会让目标退回源布局。
- 选层检索内容。进入控制区间后，只在选定 decoder attention 层把目标键和值替换为源键和值，目标 Query 保留。cross-attention 仍承担目标文本约束。
- 必要时使用 mask。抽取 16×16 的图文 attention，在 heads 与对应层之间平均，再聚合前景词 token 的响应，构成源、目标 mask。分别执行前景和背景检索，再按目标 mask 混合。
- 更新 latent 并解码。使用注入后的噪声估计进行 DDIM 更新，重复至最后一轮；VAE decoder 把 \(z_0\) 还原为 RGB。无 reranker、beam search、程序执行器或后续参数优化。
Algorithm 1 的可执行语义
| 原算法步骤 | 操作 | 应检查的实现细节 |
|---|---|---|
| 1 | 循环 t=T 至 1 | 分离扩散时间与控制器递增迭代计数 |
| 2–3 | 源 U-Net 输出噪声与源 Q/K/V，并进行源采样更新 | 缓存必须是当前步、当前层，不能错一轮 |
| 4–6 | 取得目标特征，EDIT 替换，再得到受控噪声 | 概念伪代码不意味着必须把目标 U-Net 全跑两遍；可通过 attention hook 在同一次前向中替换 |
| 7 | 依据受控噪声更新目标 latent | CFG conditional/unconditional 分支的样本排列必须一致 |
| 8 / Return | 结束循环，返回源与目标最终 latent | 比较源重建与输入，避免将反演损失归咎于编辑器 |
Figure 4：中间去噪结果支持布局早期成形的解释；第 15 个采样步骤的 Query 可视化展示 encoder 与 decoder 的差异。相似颜色只能提示特征相关，不能视为严格的一一语义对应证明。
Figure 5：上图是目标 Query 查询源 Key/Value 的数据流，下图说明 mask 来源是 token 对应的 cross-attention。整个方法不需要额外训练的分割模型，但 mask 质量受文本定位能力约束。
06 · 训练、推理配置与复现边界
| 项目 | 固定 v1 明确报告 | 不能自行补齐的部分 |
|---|---|---|
| 基础模型 | Stable Diffusion v1.4；额外验证 Anything-V4 | 不是 SDXL 原论文实验；不声称覆盖任意架构 |
| 训练 | 全部使用预训练模型；本文无 fine-tuning/embedding optimization | optimizer、LR、epoch、warmup、weight decay 均不适用于本文新增训练 |
| 采样器 | DDIM，50 denoising steps | 未完整报告所有 scheduler 参数 |
| CFG | 7.5 | 未提供系统 guidance sweep |
| 默认控制 | S=4、L=10；checkpoint 不同可调 | 论文文字与公式端点存在差异，应按实现验证 |
| Adapter 组合 | 实验 S=2、L=8 | 不等于纯文本设置下也应越早越好 |
| 初始噪声 | 源与目标默认相同 | 未逐例列出随机 seed |
| 真实图反演 | 确定性 DDIM inversion；空源文本 | 未给出完整逐图重建误差或统一分辨率协议 |
| mask attention | 16×16 图文响应，跨头与层平均 | v1 正文没有完整 token 选择、阈值及插值超参数 |
| 数据 | 合成图与真实图展示 | 没有正式命名 benchmark、数据总量、划分或全样本统计 |
| 成本 | 主张免微调的便利性 | v1 未报告统一 GPU 型号、推理秒数、显存峰值或加速倍数 |
temperature、top-k、top-p、beam size、LLM system prompt 不属于本方法。图像 prompt 是输入条件，例如把坐姿词改为卧姿词；不应把本页建议写成作者提供的完整 prompt 模板。
Paper vs. Implementation
当前官方实现核查：控制器区间包含起始步/层；CFG 两分支分开查询源特征。自动 mask 默认阈值为 0.1，token 索引列表默认 [1]，对响应先做 min–max 归一化；没有已收集的 cross-attention 时退回不带 mask 的检索。恒定响应图的分母缺少显式保护，复现时值得测试。仓库还含 source+target K/V 拼接变体与 SDXL 支持，均不能等同于固定 v1 的实验配置。以上实现摘要仅描述已读源码，并未运行模型。
官方 README 给出 Python 3.8.5、PyTorch 1.11，并建议 notebook 合成至少 16 GB GPU 显存；这些是仓库使用提示，不是论文测量结果。2024 的 processor 接口与 2023 的 SDXL 扩展属于后续工程更新。官方代码与运行说明
最小复现检查单
- 固定 checkpoint、代码 commit、scheduler、seed、图像预处理与 prompt tokenization，并保存配置。
- 先只做源图重建；记录真实图 inversion 误差，再比较编辑输出。
- 保存每次调用的 sampling iteration、scheduler timestep、attention layer index，确认 S/L 实际控制位置。
- 在 CFG batch 中断言 source/target 顺序；检查每个 head 的键和值来自同一源。
- 先复现普通互注意力，再加入 mask；导出源/目标 mask 与 attention 熵，检查空区域、多词对象与细长结构。
- 同一组 seeds、同样采样预算比较 baselines；同时报告身份、指令、布局与背景，而不是挑一个最好看的结果。
07 · 基线、结果与证据强度
完整原表核查：固定 v1 无 Table 1 或任何编号数值表，没有 CLIP、LPIPS、FID、用户研究百分比或速度表。因此没有“全部数值行”可重建，也无法据此计算提升幅度。本节保留所有原始实验 Figure，并用自制表格整理比较条件，绝不创造定量结果。
Figure 6：两组合成图比较分别涉及单苹果变双苹果、坐猫变躺猫。列顺序是源图、MasaCtrl、固定 seed、P2P、SDEdit 0.5、SDEdit 0.8、PnP。要同时检查“数量/姿态是否成功”与“外观是否仍来自源图”，而不是只看画面质量。
Figure 7：真实图展示奔跑的柯基与黑衣人物抬手，同样保留上述七列。真实图路径额外包含反演，因此编辑保真既受 inversion 影响，也受注意力路由影响。论文以这些案例说明复杂姿态编辑可行，没有给出整个真实图集合的失败率。
| 方法/列 | 公平比较应控制什么 | 图中支持的结论 | 不能推出 |
|---|---|---|---|
| 固定 seed | 相同初始噪声、目标文本与基础模型 | 只固定噪声不足以保证源身份 | 所有 seed 都失败 |
| P2P | 编辑词映射、attention schedule | 保留源布局与大姿态改变可能冲突 | P2P 在所有编辑任务都弱 |
| SDEdit 0.5 / 0.8 | 加噪强度与采样预算 | 编辑幅度和内容保持存在折中 | 已经穷尽 SDEdit 超参数 |
| PnP | 注入层、时间和反演质量 | 结构保持特征不总适合非刚性编辑 | 统一 benchmark 上显著落后 |
| MasaCtrl | S/L、mask、模型、同等样本挑选预算 | 选定案例可以兼顾新布局与源内容 | 精确身份保持或统计显著优势 |
作者使用公开 baseline 代码；SDEdit 使用 SD 的 img2img 脚本。论文未完整披露各 baseline 的逐例参数与选择预算，因此比较可作为机制演示，不足以判定严格的全面 SOTA。Imagic 在讨论中出现，但没有在这里作为图中同预算直接对照。
来源：PDF pp. 7、9，Sec. 5.1；表格最后两列为证据边界分析。
08 · 结构条件、风格模型与视频
T2I-Adapter（Figure 8）：结构条件为目标提供更可靠的几何布局，MasaCtrl 从源图提供外观。左侧是合成图一致性，右侧是真实图编辑。由于结构已经被额外指导，作者可以在更早步骤、更早层开始互注意力，使用 S=2、L=8；这与纯文本默认 S=4、L=10 的差别有明确原因。ControlNet 被提出为可兼容路线，但 Figure 8、11 的标注与具体展示是 T2I-Adapter，不能混成两者均有同样完整实验。
Anything-V4（Figure 9）：动漫模型上的站立、奔跑、抬手等修改展示迁移可能性。它说明机制不只在 SD v1.4 的照片风格样例有效，但两个相近家族 checkpoint 不能证明对所有模型、分辨率或语言普适。
Figure 10：同一个男孩的坐姿、举手、点赞、侧面、背面、奔跑、笑等连续变体，展示“一张源图多种目标条件”的使用方式。这里仍是独立图像生成，不是显式三维身份模型。
视频扩展（Figure 11）：先用文本与结构指导生成源帧；后续帧各自按照连贯的姿态/边缘条件生成，并向同一源帧检索内容。熊的动作与车辆场景说明可以借助连续控制信号获得内容相近的帧。本文没有训练 temporal module，没有提供 optical-flow loss、时序定量指标或长视频稳定性曲线。作者明确指出背景难以动起来，动态背景是限制，而不是已经解决的能力。
Our Interpretation：源帧共享是一种外观锚定，连续的结构条件是一种运动约束；两者相加仍不等价于对遮挡、新出现区域与时间连续性建立完整生成模型。
09 · 消融究竟证明了什么
| 消融轴 | 原图列/配置 | 作者观察 | 证据限制 |
|---|---|---|---|
| 起始采样步 | 0、5、15、30、45 | 太早趋向复制源图；适中保留目标布局并迁移内容；太晚丢失源内容 | 一个视觉序列，不是跨数据集最优 S 估计 |
| 层范围 | 0–15、0–3、4–7、8–10、10–15 | 全层复制倾向强；低分辨率范围难兼顾；decoder 高分辨率较有效 | 图上是区间消融，不能推出所有单层独立贡献 |
| mask | Figure 2 下排：无 / 有 | 相近前景背景颜色时限制检索域可减少混淆 | 没有分割精度、阈值敏感性、开销或多对象统计 |
| 条件控制 | Figure 8：Adapter 组合及固定 seed | 结构约束有助于目标布局 | 不是同一全面网格内解耦 S、L 与条件强度的消融 |
Figure 12 的步数展示与默认 S=4 不应强行等同：图中的 step 5 是一个展示位置，代码还涉及零基索引。正文把低分辨率大致描述为 4–10、高分辨率为 0–3 与 10–15；相邻边界可能按模块描述重叠，复现应使用实际 attention index，而非仅靠概念分辨率分组。
Reviewer：这些消融支持“控制位置重要”，也为 decoder 延迟注入提供合理直觉；但不足以证明特征语义可分解具有唯一因果机制。缺少随机层对照、相同注入强度对照、跨任务统计和误差条，不能将选取可视化解释提升为一般定理。
10 · 失败模式与审稿意见
三类原文失败：第一，基础 SD 本身不能生成目标姿态/布局时，MasaCtrl 也难补救；第二，目标需要源图未展示的内容，如张开的手掌，源特征库缺少相应视觉证据，会产生局部伪影；第三，即使总体一致，鸟嘴颜色等小细节仍可能漂移。附加结构控制能缓解第一类，不能保证消灭另外两类。
Strengths
- 改动小、机制明确：通过 Q 与 K/V 的来源分离实现跨轨迹内容检索，不引入按图优化循环。
- 组合性强：身份外观与结构指导分工清晰，与 Adapter 的组合尤其自然。
- 对“保持结构的编辑”和“改变姿态的编辑”作出有用区分，提出了能直接启发后续工程的方法。
- 论文展示失败与 S/L 的影响，而非只展示理想结果；官方代码可查证关键细节。
Weaknesses
- 证据以精选图为主，缺少量化 benchmark、用户研究、全任务成功率、显存与时间测量。
- 依赖 S/L 和 mask 启发式，公式计数不一致；与具体 U-Net 的层序及分辨率绑定。
- “内容一致”没有显式可优化目标；注意力相似度不能保证严格身份、细节或物理一致。
- 真实图空源文本与词级自动 mask 的结合没有在正文彻底交代，实际选择需要检查实现和例程。
- 新可见区域与遮挡问题仍依赖扩散先验补全，而纯源 K/V 检索可能压制这种补全能力。
- tuning-free 不等于免费：源轨迹、目标轨迹、反演和 mask 统计都会增加推理成本。
真正有价值的后续验证
建立由源图、编辑文本、结构条件与身份标注组成的固定测试集，分开统计姿态成功、身份相似、背景漂移和局部缺陷；对真实图首先报告 inversion ceiling。采用全部 seeds 的均值与失败率，记录参数搜索预算。将纯 source K/V、source+target K/V、置信度门控进行同预算比较，再做分辨率与多对象泛化。上述为 reviewer 建议，未在 v1 完成。
11 · 对 Procedural Material Generation 的研究延伸
Research Extension，非原论文结论：MasaCtrl 是图像编辑方法，不输出 SBS/SBSAR、shader、材质图、BRDF 或多通道贴图。它对 PMG 最有启发的部分，是把“新结构的查询”与“参考外观的内容库”解耦，而不是直接把照片注意力当成程序结构。
方向 A：语义区域约束的材质外观迁移
输入一张参考材质外观及目标程序图渲染。目标的结构特征提供 Query，参考图提供纹理 Key/Value；把前景/背景 mask 升级为材质部件、频段或表面区域 mask，例如木纹、节疤、边缘磨损。需要避免把光照高光当作 albedo，最好从多光照、多视角监督建立外观库。输出先定义为目标渲染外观，再由程序参数拟合，而非谎称 attention 已生成合法图。
方向 B：渲染器闭环的参数求解
\[\phi^{\ast}=\arg\min_{\phi}\ \lambda_a D_a(R(G,\phi,c),I_{\mathrm{ref}})+\lambda_s D_s(R(G,\phi,c),I_{\mathrm{layout}})+\lambda_v C(G,\phi).\]
这是本页提出的研究目标。\(G\) 是固定合法程序拓扑，\(\phi\) 是可优化节点参数，\(R\) 是渲染器，\(c\) 为固定相机与光照，\(D_a\) 测外观差异，\(D_s\) 测结构符合度，\(C\) 惩罚越界或无效参数。互注意力结果可以作为外观参考或候选提议，但最后必须执行真实程序，并用多条件渲染排除“单视角看起来对”的假解。
方向 C：按置信度混合参考与生成先验
源内容缺失对应 PMG 中参考只展示部分纹理尺度、未知背面或缺少粗糙度线索。可以由检索相似度/熵估计置信度，低置信度区域保留目标自己的生成特征，高置信度区域偏向参考。该策略需与固定 source+target 拼接基线比较，以证明动态门控优于仅增加内容池。
一个能被证伪的实验设计
| 实验维度 | 拟议设置 | 判断标准 |
|---|---|---|
| 任务 | 同一材质风格下改变纹理排列、频率、磨损分布 | 结构变化成功且参考材质身份保持 |
| 对照 | 无参考、固定 seed、直接像素/感知拟合、无 mask 检索、区域检索、置信度检索 | 统一渲染次数、参数搜索预算和参考信息量 |
| 程序合法性 | 拓扑约束、参数边界、节点白名单、执行检查 | 成功执行率与图复杂度，不只比较 RGB |
| 物理泛化 | 训练外的光照、相机、环境贴图 | 材质外观在新条件下稳定，排除烘焙光照 |
| 消融 | 区域 mask、步/层门控、检索置信度、renderer feedback | 分别测外观与结构收益，并报告失败样例 |
| 停止规则 | 执行预算耗尽、连续改进低于阈值、合法性失败回退 | 有明确计算上界，保留最优合法候选 |
最小可行路线应先限定合法拓扑，只优化参数；待外观迁移稳定后，再研究拓扑候选生成与执行修复。直接从 MasaCtrl 跳到“可编辑程序图自动生成”，中间缺少表示、编译、节点语义和监督信号四个关键环节。
12 · 来源、覆盖范围与验收状态
- 固定 v1 PDF：完整阅读 13 页，方法、全部实验图、消融、局限及参考文献；SHA-256 为 2c959d650c277d75e00276159ca167024f5a26b82a838cc0a356f78a6d72c531。
- arXiv 元数据：标题、作者、2023-04-17 版本身份。
- arXiv HTML：交叉核对公式与 Figure 2–13 原始图片；Figure 1 的 HTML 缺失图片，改从固定 PDF 裁切嵌入。
- 官方项目：通讯作者标记、会议引用与额外可视化入口。项目未提供独立补充 PDF 链接；没有把项目展示误算为固定 PDF 的 Appendix。
- 官方仓库及核心源码：区间端点、CFG、mask 阈值与后续实现变体；读取日期 2026-09-30，未锁定 commit、未执行推理。
原论文没有数值表，故本页没有虚构原表；整理表均为解释性重构。全部 13 幅原图均保留编号与解读。附录覆盖状态为“不适用：固定文件无附录”，不是声称读过不存在的 supplement。
当前交付状态：内容生成与静态检查完成；依用户最新要求，浏览器 MathJax、图片实际加载、导航及 1440/760/390 像素布局验收推迟至下载后统一处理。页面小于 20 MB，未发布；新增 Markdown 与原笔记合并候选供下载，原文前缀逐字节保留，不表示已写入任何用户仓库。