Abstract
- 长序列、强相机控制（给定轨迹）、几何一致 的 单图生成视频， 并且能被重建成一致的 3D 结构
- 现有方法的问题：
- 只用相机姿态编码（latent 条件）：依赖数据集多样性，对分布外相机运动泛化差，而且“姿态”本身不提供场景的像素级几何约束。
- 用显式 3D 先验（比如点云/mesh/3DGS）再投影：投影会出现 遮挡空洞（holes），还会有 几何误差造成的扭曲/模糊；直接 inpainting 或普通视频扩散很难同时“补洞 + 修扭曲”。
Method
- 用“在线 3D 几何缓存（3DGS）”提供像素空间的结构锚点，再用一个专门训练过的时空扩散模型 ST-Diff 做“fill-and-revise”：空洞从纯噪声生成（fill），有几何但质量不好的区域只加部分噪声做修复（revise）。