GAE：让视频生成真正懂3D几何

之前解决3D一致性的主流路线是NeRF或显式深度监督，但要么推理太贵，要么和生成模型耦合太深。GAE的取巧之处在于直接偷师感知模型的几何特征——用DUSt3R这类重建模型的中间表示当桥梁，而不是让生成器从零学几何。

论文提到latent jointly decodable to appearance和depth，但没给具体训练成本。如果GAE的编码器能冻住DUSt3R权重只训轻量投影层，那fine-tune成本会远低于从头训一个3D-aware VAE。做视频生成或游戏引擎集成的团队可以蹲一下代码，看latent维度到底压到了多少——这决定了能不能塞进现有的diffusion管线里实时跑。