视频扩散潜空间直出4D世界

这个工作的聪明之处在于把4D生成从'追在视频生成器后面擦屁股'变成了'在潜空间截流'。之前像Make-A-Video3D或者4D-fy都是先让视频模型跑出RGB，再用NeRF或高斯溅射重建，两步之间的分布漂移和几何不一致是老大难问题。Latent-to-4D直接对齐VAE decoder的潜空间，用时空注意力把latent解码成动态场景，相当于给所有兼容这个VAE的视频模型发了一张4D生成的通用门票。

从工程角度看，这个架构的复用性很强，Stable Video Diffusion、AnimateDiff甚至未来的视频模型都能直接接。但论文没提推理速度和显存占用，4D生成的实时性一直是瓶颈，如果这部分开销太大，落地场景会受限。建议关注作者是否开源代码和decoder权重，这决定了社区能不能快速跟进。