100 组视频–提示词池、24 位用户、720 次投票中的作者报告偏好率
01 · 阅读结论与证据边界
VideoControlNet 把视频编码中的“只更新新信息”迁移到视频生成：先以 Stable Diffusion + ControlNet 生成 I 帧，再用源视频光流搬运已有外观；P 帧只对不可靠区域进行扩散修补，B 帧从两个已生成关键帧进行运动补偿与融合。它是一套组合预训练模型的推理框架，不是训练了新的视频扩散骨干，也不是传统视频压缩编解码器。
V100 16GB、960×540、20 步、GoP=10 下报告的平均生成时间
B 帧不用扩散，收益来自复用与计算调度，而非更少的单帧扩散步数
固定阅读对象为 arXiv:2307.14073v2，PDF 首页日期 2023-08-03，共 11 页：第 1–8 页正文，第 9 页参考文献，第 10–11 页附录 A–C。标题为 VideoControlNet: A Motion-Guided Video-to-Video Translation Framework by Using Diffusion Model with ControlNet。作者 Zhihao Hu（Beihang University）与 Dong Xu（University of Hong Kong）；没有核实明确通讯作者标记，Dong Xu 仅作为末位作者候选，不擅自确认其通讯身份。此版本按 arXiv 预印本处理，不从排版模板推断已被会议接收。
核查边界：以下性能来自作者论文，未运行模型；所有原表完整保留。官方项目页提供演示及代码入口；2026-09-30 检查该入口指向的官方仓库，可见文件为 README，仍标注 “CODE IS COMING SOON!”。因此本文不能给出实现层面的复现确认。图片为 arXiv 官方外链，已取得 HTTP 200 并解码核查；实际浏览器图片、公式和响应式检查按本批次要求留待下载后进行。
Figure 1 展示相同源视频在不同文本风格下的输出。它说明视觉多样性的样例范围，却不能仅凭静帧证明全视频无闪烁，也不支持任意运动/任意语义替换的普遍结论。
02 · 研究问题与设计取舍
逐帧 ControlNet 可以限制深度或轮廓，却没有把上一帧已经生成的纹理、颜色、身份锁定下来：同一条件允许多个视觉解，各帧重新采样容易发生外观漂移。重新训练时序扩散网络需要视频数据与计算；逐视频优化的方法又有明显时间成本。论文选择第三条路：让大图像模型负责外观，让源视频提供运动，把稳定内容当作可复用状态。
视频编码借运动补偿减少重复信息，本文借同一思想减少重复“生成”。但作者没有预测压缩码率或传输残差；所谓 I/P/B 只是生成依赖结构的类比。原始视频中的颜色残差也不直接加到风格化结果上，因为那会重新引入源域外观；残差只用于评估搬运结果是否可信。真正缺失的内容由扩散补全。
- Paper Verified：框架、参数与比较结果可在固定论文中核对。
- Author Claim：通过防止冗余区域再生成改善一致性；可迁移预训练图像模型的生成能力。
- Our Interpretation：一致性来自“空间对应关系下保存已有解”，代价是输出需要服从输入的几何和运动，错误亦会在关键帧链上传播。
- Research Extension：把复用与局部重生成原则迁移到材质图编辑，属于后续设想，并非论文实验。
03 · 输入、输出与生成依赖
| 符号 | 含义与所在阶段 |
|---|---|
| \(X=\{X_0,\ldots,X_n\}\) | 输入视频，按原式编号包含 n+1 帧；既提取控制图，也提供光流与可信度评估 |
| \(\hat X=\{\hat X_0,\ldots,\hat X_n\}\) | 按同一时间序列输出的编辑/风格化 RGB 帧 |
| \(X_i^{c}\)、prompt | 第 i 帧控制图与文本语义；实验使用 depth 或 canny |
| \(g\)、\(i\)、\(j\) | GoP 大小；i 是当前 P 帧索引；中间 B 帧满足 \(i-g\lt j\lt i\) |
| \(M_{a\rightarrow b}\) | 从源视频估计、供帧 a 到 b 对齐的光流记号；不能仅由箭头臆断库中坐标约定 |
| \(\tilde X_i\)、\(\bar X_i\) | 前者是源域图像被 warp 后的结果，用于残差；后者是生成域参考被 warp 后的结果，用于输出 |
| \(R_i,O_i,I_i\) | 源域残差、前向覆盖/遮挡图、保留掩码；I=0 是修补，I=1 是保留 |
| \(\bar S_{j,k},S_{j,k}\) | B 帧第 k 个位置的原始可靠性评分、最终融合权重 |
先生成 \(\hat X_0\)。第一个 GoP 的末帧为 \(\hat X_g\)，中间 1 到 g−1 是 B 帧；后续生成 \(\hat X_{2g}\) 并补齐 g+1 到 2g−1。每个 P 帧依赖上一个已生成 I/P 帧，每个 B 帧依赖它两侧的已生成 I/P 帧。因此这是先未来关键帧、后中间帧的离线次序，不是低延迟逐帧在线系统。论文没有交代不足一个 GoP 的尾段处理规则，不应替作者补成固定策略。
并不存在本文训练出的新损失、优化目标、token 序列或自回归图程序。潜空间只在 Stable Diffusion 的图像编码、去噪与解码中使用；外层结构的核心是 RGB 图像/控制图/光流/掩码。I/P 帧做条件扩散，B 帧是确定性运动融合（给定参考帧与估计流）。
依据：PDF pp.3–4，§3.1、Figure 2。
04 · MgPG：在什么地方允许重新生成？
先测源域，再操作生成域
第 i 个 P 帧的输入是前一关键帧生成结果 \(\hat X_{i-g}\)、当前源帧 \(X_i\)、前一源帧 \(X_{i-g}\)、控制图和 prompt。先在源视频上估计运动，用 backward warping 把旧生成帧搬到当前坐标，得到 \(\bar X_i\)。其可见且对齐正确的区域应被复用；新显露的背景、错配边缘和运动估计失败处需要修补。
为判断哪些位置可靠，再把原始参考 \(X_{i-g}\) 对齐为 \(\tilde X_i\)，计算平方残差 \(R_i=(X_i-\tilde X_i)^2\)。这避免直接比较两种风格的 RGB 值。但是残差小未必意味着可见：两个不同区域可能颜色近似；残差大也可能是光照变化或运动误差，而不是纯遮挡。论文因此叠加覆盖信息。
原式 (1)：由前向覆盖估计新显露区域
\[O_i=\operatorname{ForwardWarp}(\operatorname{Ones},M_{i\rightarrow i-g}) \tag{1}\]
\(\operatorname{Ones}\) 是全一图；作者描述把它按逆向光流做 forward warping，未被覆盖的零值位置提示当前出现而参考中没有的内容。这里 O 更接近覆盖图，并非“1 表示遮挡”的常见 mask 约定。论文把它称为 occlusion map；读代码时最容易把极性弄反。插值、重叠 splat 的聚合、越界处理及 flow 坐标定义都没完整公开。
原式 (2)：可靠性阈值决定保留
\[I_{i,k}=\begin{cases}1,&O_{i,k}-\alpha R_{i,k}\gt\mathrm{threshold}\\0,&\mathrm{otherwise}\end{cases}\tag{2}\]
k 是空间位置，\(\alpha=5\)，threshold=0.5。I=0 才进入 inpainting，I=1 保留搬运信息。覆盖高而残差低的点较易保留；无覆盖或高残差使评分下降。α 的有效强度依赖 RGB 归一化和跨通道残差聚合，但原文没有明确提供这些实现细节。假定 O=1 时，保留条件化为 R<0.1；这只是对公式的代数解释，不意味着原实现采用某个特定归一化。
论文进一步对 occupancy map 使用 Gaussian Blur，以扩张修补区域，并用 min-pooling 把 mask 映射到潜空间。按保留极性理解，局部窗口任何零值都可令下采样后位置成为修补区域；它有利于覆盖细小错误，但不能推断池化核、步长或高斯参数。最终 Stable Diffusion + ControlNet 在 warped frame 的不可靠区生成内容，得到 \(\hat X_i\)。全文未公开逐去噪步如何强制保留区域、如何混合噪声，以及最终像素合成公式。
Figure 7 依次展示残差、源帧真值、遮挡/覆盖图、warp 结果、mask 和掩码覆盖后的图。它直观说明两种信号互补：光流失准可以由残差发现，颜色接近的新显露区域可由覆盖发现。它不是去掉各分量的定量消融表，不能据此估计每个分量贡献多少 FVD。
附录 B 的 Figure 9 解释背景左移、前景人物相对稳定时，全一图的前向搬运为何留下空洞。原文 forward/backward 的流箭头需结合实现验证；目前无代码，不能把名称相同的第三方 warp 操作直接替换并声称忠实复现。
依据：§3.2、§4.1、§4.4、附录 B；PDF pp.4–5、6、7–8、10。
05 · MgBI：双参考插值与公式审计
对 \(i-g\lt j\lt i\)，从输入视频估计两端到 j 的运动，将生成关键帧 \(\hat X_{i-g}\) 和 \(\hat X_i\) 分别 backward warp 为 \(\bar X_j^{\mathrm{front}}\)、\(\bar X_j^{\mathrm{back}}\)。可靠性依然在源域求取，而不是对风格化纹理做匹配。B 帧不调用扩散，也不使用单纯随时间线性变化的固定融合系数。
原式 (3)、(4)：两端分别打分
\[\bar S_{j,k}^{\mathrm{front}}=O_{j,k}^{\mathrm{front}}-\beta R_j^{\mathrm{front}}\tag{3}\]
\[\bar S_{j,k}^{\mathrm{back}}=O_{j,k}^{\mathrm{back}}-\beta R_j^{\mathrm{back}}\tag{4}\]
\(\beta=10\)。分数高表示该端在位置 k 的覆盖更可信、源域残差更小。原印式的 R 没有 k 下标，而文字是按像素运算；复现时应明确广播/逐像素语义。此处忠实保留原符号，并把这个索引省略与已验证的代码行为区分开。
原式 (5)：保留作者写法，不静默纠正
\[S_{j,k}^{\mathrm{front}}=\frac{\exp(\bar S_{j,k}^{\mathrm{front}})/\tau}{\exp(\bar S_{j,k}^{\mathrm{front}}/\tau)+\exp(\bar S_{j,k}^{\mathrm{back}}/\tau)}\tag{5}\]
原 PDF p.5 与 arXiv HTML 均如此：分子除以 τ 在指数之外，分母在指数之内。作者称其为带温度 softmax，并设 \(\tau=20\)、\(S_j^{\mathrm{back}}=1-S_j^{\mathrm{front}}\)。以上转录不替作者改动。
Eq.5 的分子是 exp(score)/τ，两个来源一致，不能归因于一次文本抽取失误
这不是标准温度 softmax；两个原始分数同为零时，前端权重为 1/40，后端为 39/40，而非各 1/2
缺少官方实现，无法确认实验实际使用原印式还是标准 softmax；不能把推测当勘误定论
Our Interpretation：标准 softmax 的对照形式若作者意图是通常的温度归一化，应为下式，但它是审计用对照，不是本文可验证的实现：
\[S_{\mathrm{standard}}^{\mathrm{front}}=\frac{\exp(\bar S^{\mathrm{front}}/\tau)}{\exp(\bar S^{\mathrm{front}}/\tau)+\exp(\bar S^{\mathrm{back}}/\tau)}\]
标准形式在两分数相等时对称，对共同加常数不敏感，并保证两个非负权重和为 1；原印式虽然用 1−S 强制和为 1，却通常不保证每个权重都落在 [0,1]，且受绝对分数偏移影响。实际评分区间可能缓解越界，但并不能消除不对称。高温度“使标准 softmax 更平滑”也不能不加限定地用来解释原印式。复现前应分别实现两种版本并记录差异，而不是选一版后宣称完成精确复现。
原式 (6)：融合输出
\[\hat X_j=S_j^{\mathrm{front}}\times\bar X_j^{\mathrm{front}}+S_j^{\mathrm{back}}\times\bar X_j^{\mathrm{back}}\tag{6}\]
权重图逐像素乘 RGB 图像并相加。作者的直觉是某一端不可见的区域通常在另一端可见；这是适用假设，不是几何定理。中间短暂显露、两端同时不可见的内容，双端融合没有生成新像素的机制；流错配还会出现重影。生成端纹理经过编辑后不再服从源运动时，即使源域评分很高也不保证输出正确。
依据：§3.3；PDF pp.5–6 的六个编号公式。标准式和零分数例子是本文数学分析，不是新增论文实验。
06 · 可复现流程与缺失设置
- 把源视频缩放到论文报告的 960×540；按 g=10 划分关键帧与中间帧，提取 depth 或 canny 条件。
- 用预训练 Stable Diffusion 1.5 与相应 ControlNet，按文本提示运行 20 步 DDIM，生成 I 帧。
- 对每个 P 帧，在源域估计所需正反向光流，计算源域 warped frame、残差、覆盖图，按式 (1)(2) 生成 mask，并进行论文描述的模糊和潜空间下采样。
- 在生成域 warp 上一关键帧，使用当前控制图、文本和 mask 做 20 步扩散修补，保存新 P 帧为下个 GoP 的参考。
- 对当前 GoP 中每个 B 帧，用两端源帧与当前源帧估计流及可靠性；warp 两端生成关键帧，按式 (3)–(6) 融合。
- 按原始时间索引重排所有输出。保存随机种子、控制图、流、mask、权重图，以定位时序漂移；这些记录是复现建议，并非作者公布的日志协议。
| 项目 | 论文明确提供 | 不能擅自补全 |
|---|---|---|
| 生成模型 | Stable Diffusion v1.5；ControlNet 官方发布的 depth/canny 模型 | 精确 checkpoint 哈希、库版本、权重组合、VAE 具体文件、模型参数总量 |
| 运动估计 | FlowFormer 官方预训练模型 | 具体 checkpoint；输入归一化、尺寸填充、双向流调用实现 |
| 采样 | I 帧与 P 帧 inpainting 均为 DDIM 20 步 | CFG scale、随机种子、η、strength、negative prompt、ControlNet scale |
| 外层参数 | g=10，α=5，β=10，threshold=0.5，τ=20 | 参数搜索范围、选择用的数据集、敏感度曲线 |
| 掩码 | occupancy map 的 Gaussian Blur；潜空间 min-pooling | 核大小、σ、padding、阈值与 blur 的精确先后、mask blending |
| 计算平台 | 单 Tesla V100、16GB；960×540 | CPU/RAM、精度、批大小、分辨率非 8 整除时的实际处理方式 |
| 训练 | 组合预训练模型，未提出额外训练阶段 | 没有本文优化器、学习率、训练 epoch/step 等设置；不是“遗漏一套训练超参” |
| 配置规模 | 一种 SD1.5 基础模型配置 | 没有 SDXL/更大模型比较；不能声称验证了基础模型到大模型的缩放规律 |
其中 540 不是 8 的整数倍，而潜扩散通常涉及缩放后的空间网格；这提示忠实复现必须确认实际 resize/pad/crop 规则，不应据此擅自把论文的 960×540 改成另一分辨率。高层框架足以重新实现原理，但上述缺失与 Eq.5 歧义使“数值级复现”仍有实质障碍。
依据：§4.1、§4.4；官方仓库 README 核查。没有执行安装、模型推理或视频测试。
07 · 实验设计与全部主表
数据与比较对象
论文在 HEVC、UVG、MCL-JCV 与 DAVIS 等多类视频上展示适用性；这些是评估输入来源，不是本文新训练集。定量和用户研究主要在 DAVIS：用户研究选择 100 个 video-prompt pair，每位用户随机看 30 组，共 24 人、720 票。作者使用各比较方法官方代码与默认参数。CCPL 不支持文本条件，因此用与提示词最相关的图作为 style image；这引入风格参考图选择的额外因素，不能视为完全等价的输入协议。
原 Table 1
| User Preference | |
|---|---|
| Text2Video-Zero | 9.4% |
| CCPL | 15.8% |
| VideoControlNet (Ours) | 74.7% |
VideoControlNet 的 74.7% 相比 Text2Video-Zero 的 9.4% 高 65.3 个百分点，相比 CCPL 的 15.8% 高 58.9 个百分点。三项合计 99.9% 属于报告百分比的舍入现象。论文没有公开逐用户/逐片段投票、置信区间或显著性检验，不能把同一用户重复评估视为彼此独立的 720 个受试者；也无法据此推断总体人群偏好。
DAVIS 客观指标：7 列全部保留
原 Table 2
| FVD(\(\downarrow\)) | IS(\(\uparrow\)) | FID(\(\downarrow\)) | CLIPSIM(\(\uparrow\)) | LPIPS(\(\downarrow\)) | Optical Flow Error(\(\downarrow\)) | Speed (\(\uparrow\)) | |
|---|---|---|---|---|---|---|---|
| Text2Video-Zero | 1670.39 | 13.23 | 119.01 | 25.66 | 0.56 | 17.99 | 0.19fps |
| Ours | 981.99 | 18.02 | 92.17 | 26.14 | 0.50 | 7.91 | 0.30fps |
Table 2 的文本提示直接使用视频名字，例如 bus、dogs-jump、hike、paragliding-launch。FVD 衡量视频特征分布，FID 衡量图像特征分布，IS 衡量生成分布的分类置信/多样性，CLIPSIM 评估文本与帧的平均语义相似度，LPIPS 为感知距离，Optical Flow Error 是源视频与生成视频所估计光流的 L2 距离。文中 flow-error 所引模型为参考文献 [30] SpyNet，不能混同生成系统用的 FlowFormer。论文没有充分展开各指标的具体样本聚合、参考配对、预处理和评估脚本。
- FVD 从 1670.39 降至 981.99，绝对减少 688.40，约下降 41.2%；FID 从 119.01 到 92.17，约下降 22.6%。
- IS 从 13.23 增至 18.02；CLIPSIM 仅从 25.66 到 26.14，绝对增加 0.48，不能把所有指标描绘成同等幅度提升。
- LPIPS 从 0.56 降至 0.50；光流误差从 17.99 降至 7.91，约下降 56.0%。后者契合“保持源运动”目标，但这项指标也天然偏好保留原运动的方案。
- 速度从 0.19 fps 到 0.30 fps，约 1.58 倍；速度测试输入为 40 帧、960×540。fps 数值经过舍入，不必与倒数秒数逐位相等。
作者因 CCPL 直接使用视频 RGB，而本方法与 Text2Video-Zero 使用条件，选择不在 Table 2 中纳入 CCPL。但严格说，本框架还使用输入 RGB 计算残差和光流；“只拿条件作为输入”适用于扩散控制视角，不能理解成系统完全不接触源 RGB。Table 2 仅两个方法，不能证明超过所有同时代或后续视频模型，也没有单独验证长时身份保持。
运行成本：模块不能重复相加
原 Table 3
| Time | |
|---|---|
| StableDiffusion with ControlNet | 13.7s |
| Pixel to Latent | 0.13s |
| Latent to Pixel | 0.01s |
| Inpainting Mask Generation | 0.97s |
| I-frame Generation | 13.7s |
| Motion-Guided B-frame Interpolation | 1.9s |
| Motion-Guided P-frame Generation | 14.8s |
| Average Time Per Frame | 3.4s |
Table 3 完整给出扩散 13.7s、像素到潜空间 0.13s、潜空间到像素 0.01s、mask 0.97s、I 帧 13.7s、MgBI 1.9s、MgPG 14.8s、平均 3.4s。I/P 帧行已经包含相应流程，不能再把表中所有模块时间加一次。mask 中主要成本被作者归于光流估计。
稳态每个 g=10 的 GoP 包含 1 个 P 与 9 个 B，据报告数值可计算 \((14.8+9\times1.9)/10=3.19\) 秒/帧。若包括初始 I 帧与四个完整 GoP，则 \((13.7+4\times14.8+36\times1.9)/41\approx3.45\) 秒/帧，接近作者约 3.4s 的报告。这是计数口径核算，不是新测量；正文另一处测速“40 帧”与“四个 GoP”不能据此被强行视为完全同一计数。
相对逐帧 SD+ControlNet 的 13.7s，报告平均时间约快 4.0 倍。其根本原因是大部分帧只进行约 1.9s 的插值，不是扩散单次调用被加速。g 增大或许能减少扩散次数，但也让跨关键帧运动增大并增加 flow 失准风险；论文没有给出 GoP 扫描，不能把这种预期当成已验证速度–质量曲线。
全部数值来自 PDF pp.6–8，§4、Tables 1–3。百分比变化与时间核算为本精读的算术推导。
08 · 定性、条件选择与附录应用
Figure 5 用雪景与夜景对比 Text2LIVE。该基线依靠 Layered Neural Atlases，并对每个视频做优化；作者承认其时间平滑性好，同时观察到内容质量随视频变化、某些夜景道路在无灯情况下被照亮。作者报告 Text2LIVE 单视频可能超过 10 小时，与本文约 3.4s/帧形成成本差异；视频长度/运行分解未同等详述，不能把它换算为统一精确加速比。
Figure 6 对比 depth 与 canny：作者观察 depth 输出的鱼更有三维立体观感，canny 的熊毛等细节更丰富。这里“3D”指图像视觉效果，不是生成 3D mesh、深度一致多视图或可渲染实体；只有定性样例，没有受控感知量表或因果消融。
附录 C.1 / Figure 8 展示油画、卡通、中国画、水彩四类文本控制风格。它扩充 Figure 1 的外观变化范围，源动作仍作为约束。附录 A 将视频演示引向项目站；当前精读包含其论文图示和机制说明，不宣称已逐视频检查运动质量。
附录 C.2 / Figure 10 给定待编辑对象的 mask 和文本，例如 “A robot is hiking” 与 “polar bear”，用 Segment Anything 官方代码生成 mask。SAM 在这里提供编辑区域，不是替换 ControlNet 的结构条件。正文明确说 segmentation map、human pose 不能作为本框架的条件，原因是它们不足以约束与细粒度源光流相容的输出细节。因此“用了分割 mask”与“不支持分割图作条件”并不矛盾。
附录中的前景替换说明一定范围的语义编辑可行，但算法仍要求输入输出运动和内容结构相容。大幅增加肢体、形状改变或运动拓扑变化会破坏直接搬运假设；论文没有量化这些边界。项目网页可能出现正文没有系统评测的演示标签，不能把网页样片当成新的定量表。
依据：§4.3–4.4，附录 A–C，PDF pp.7–8、10–11；Figures 5、6、8、10。
09 · Reviewer 视角：证据够支持什么？
优势
- 模块职责清楚。图像模型负责新增外观，源运动负责传播，可靠性负责决定能否复用。这比逐帧“希望采样一致”更有结构性。
- 效率来自减少工作。B 帧完全跳过扩散，Table 3 能对应解释总耗时，并保留较大空间分辨率。
- 无需本文额外训练。没有视频数据训练成本，已有图像模型能力可直接利用；这是与重训时序模型的明确取舍。
- 评价有多种视角。用户偏好、分布指标、文本关联、运动误差与模块耗时都给出，且本文完整保留原表便于检查。
主要不足与被低估的风险
- Eq.5 是实质复现障碍。原印式与标准 softmax 不同，官方实现不可检查。后续实验若自行修正必须报告两版，而不是用“显然是排版错误”跳过验证。
- 定量消融缺席。没有只用 R、只用 O、不用 MgBI、无 motion、不同 g、α/β/τ 扫描的主表。Figure 7 支持直觉，不足以隔离模块贡献。
- 几何依赖强。源光流错误、生成外形变化、双端均不可见、快速运动、薄结构都会挑战复用。P 帧链还可能持续传递错误，没有关键帧重置或长期一致性机制的实证。
- 评价覆盖有限。Table 2 仅对比 Text2Video-Zero；没有公开数据清单、完整 prompt 配对、随机种子、多次采样方差。FVD/FID 对样本数量敏感，单一表值不能替代统计分析。
- 工程可重复性不足。flow、mask、归一化、采样参数缺项，导致独立实现之间可能产生显著差异。当前公开仓库无法缩小歧义。
- 离线未来帧依赖。B 帧需要右侧关键帧，不能把平均吞吐误称成直播延迟；内存 16GB 可运行不意味着任意视频长度一次驻留。
更有说服力的验证方案（Research Extension）
固定同一 SD/ControlNet、prompt、随机种子、分辨率和算力预算，比较：逐帧基线、warp-only、R-only、O-only、完整 MgPG、增加 MgBI；同时测每类遮挡、运动幅度、视频长度下的时序 warp error、身份一致性、编辑幅度和人类偏好。对 Eq.5 的两种实现单独列行，公开中间权重直方图及越界比例；扫 g=1/5/10/20，测端到端时间而非只测扩散。所有这些是建议实验，本文没有替作者执行。
10 · 对程序化材质与编辑系统的启发
Research Extension，未在本文验证。可迁移的不是 I/P/B 名称，而是“稳定状态复用 + 变化区域重生成”。在程序化材质中，稳定状态可对应 graph 的已确认子图、参数块或多视图一致表面；变化区域可以由目标图与当前渲染的残差、可见性和执行有效性共同决定。这样可避免为了局部纹理修改而重新生成整张材质图。
直接照搬光流不够：材质 graph 有离散节点/边与连续参数，图像相近未必意味着程序语义相同。更合理的试验是锁定有效子图，让 renderer 产生多视图残差和遮挡证据，优先优化局部参数，再必要时搜索拓扑。双参考融合也不能随意应用于程序，因为两张可执行图的逐元素平均可能不再合法；应以有效程序候选、分支选择或参数域插值替代像素混合。
可设计低预算实验：同一初始材质和目标编辑，比较全图重生成、只按图像残差更新、残差+可见性更新；记录质量、图有效率、非目标区域漂移、节点变更数和运行时间。需要先保证输出真的能在目标 renderer 执行，再讨论感知指标。本文没有 Substance、SBS/SBSAR、shader program、DiffMat 或材质 graph 的实验，因此以上不能归入其贡献。
11 · 来源、归档候选与阅读检查表
- 固定版本 arXiv 摘要页；11 页原 PDF；全文 HTML。优先按 PDF 页码与原公式核对，避免 HTML 转换带来的符号歧义。
- 作者官方项目页：作者/机构、演示和仓库入口交叉核查。
- 官方代码仓库：2026-09-30 检查仍为代码待发布说明；没有完成 paper-vs-implementation 验证。
覆盖记录：11 页固定 PDF（含 2 页附录），10 幅原图、3 张原表全部方法与列、6 个编号公式；额外标准 softmax 仅作数学审计。训练/推理、用户研究、数据、速度、应用、局限和复现缺项均单列。原始 PDF 的 SHA-256 已与批次清单匹配。
归档建议，尚未回写：复用 Reading/Papers/2307.14073v2.pdf 与现有同名论文 note；原 note 完整前缀保持不变，新增内容只放在末尾候选段。年份建议补为 2023，项目页建议补为 https://vcg-aigc.github.io/；通讯作者状态仍为 unverified，Dong Xu 为末位候选。保留现有 video、diffusion、video-to-video translation、video editing 分类，不创建未经词表核实的新 tag。
作者记录复用/待核查目标为 Zhihao Hu（第一作者，论文时北航）与 Dong Xu（末位通讯候选，论文时香港大学）。这些是库内候选链接，云端未检查实际 People 文件是否存在，不声称链接或索引已修复；只提交归档计划，交由本地最终合并核查。
验收状态：完成源文件、公式静态安全、表格完整性、图片 HTTP/解码、文件体积与原文前缀检查。未做浏览器 QA、模型运行、部署或 Obsidian 回写。页面内嵌 MathJax 3；公式 fixture 独立保存，不混入读者正文。