从 2D 扩散基座诱发空间智能：四组小数据 SOTA 如何证明它不是记忆

读者已经听过前面五讲：S1 给了「三不匹配框架」（representation / objective / process mismatch）的概念根，S2–S4 把 Kiss3DGen、CamPilot、Lotus-2/DVD 三个案例的两阶段管线、几何自评奖励、确定性核讲完。这一讲要回答的是一个元问题：当四个案例都报出 1/1000 量级数据 SOTA 时，这件事到底是「基座本来就会」还是「只是记住了训练集」？答案是一个条件命题——只有在表征接口、目标信号、训练过程这三把钥匙同时解掉对应三种不匹配的时候，小数据才能从冻结的 2D 扩散基座里诱发远超任务监督范围的空间能力。本讲沿着「主线回扣 → 案例串线 → 元判断 → 通用性证据 → 课程项目路径 → 边界」六步把这条线讲清楚，并落到一个可复用的五步工程模板。

一、为什么「1/1000 数据量 SOTA」不等于「基座本来就会」

要回答「这是诱发还是记忆」，先回到一个在 LLM 已经成熟、但在 2D 视觉还在补课的链路图：

图注：A little data（narrow · cheap）通过 elicits 作用于冻结的 Base model（latent competence, learned far beyond its objective），再 powers 出 Broad capability（generalizes far beyond the data you ever fed it）。注意雪花符号标注基座冻结，以及两个动词 elicits / powers 的区别：少量数据只是引出基座里已经在那里的能力，然后基座把它驱动成广泛能力。

这张图在 LLM 语境下已被广泛使用：DeepSeek-R1-Zero 用少量 RL 数据 elicit 冻结基座的推理能力；tool use 用少量样本 elicit 基座遵循指令格式的能力；VLM 用图文对 elicit 视觉问答。搬到 2D 扩散上，问题就变成：给定一个在大规模 2D 图像上预训练好的扩散基座，几十 K 量级的任务数据能不能 elicit 出远超任务监督范围的空间能力？

直觉上看，回答是「能」——Lotus 在 2024 年就用 0.059M 图像在零样本单目深度和法线估计上做到 SOTA 或可比，其中 Lotus-G 击败所有生成式与判别式方法（DepthAnything V2 用 62.6M 图像）Lotus。同期还有 ViewCrafter 把视频扩散先验用 632,152 个 rendered pairs 做相机可控 novel view synthesis ViewCrafter。但这两条路的「数据规模」仍然是大数据级别的，还不是后面要讲的小数据 SOTA。

关键观察：进入 2025–2026 年，陆续出现用 50K–367K 量级数据（比对照小 1–3 个数量级）就在对应任务上达到 SOTA 的工作。这里的「1/1000 数据量 SOTA」并不是结果本身，而是诊断——只有当数据规模反过来比对照小一个数量级、且 OOD 仍稳的时候，「诱发」才是一个有意义的命题。本讲剩下的五章，就是把这条命题的判别清单、四组案例的内部逻辑、可推广性、课程项目路径与边界都讲清楚。

二、四组案例是怎么串成一条线的：三把锁三把钥匙的对应

S1 已经把三不匹配（表征 / 目标 / 过程）讲透，本讲不再重复，只承担「三把钥匙对应三把锁」的串线工作。S2–S4 已经分别把 Kiss3DGen 的两阶段管线、CamPilot 的 visibility-aware reward、Lotus-2/DVD 的 1-step regression 讲完，本节只用最小证据把它们压成一张矩阵。

2.1 表征锁：Kiss3DGen 的最小接口

Kiss3DGen 的关键判断是「3D Bundle Image 仍是 2D 接口」。给定一个 3D 物体，作者用 Blender 渲染出「四张 RGB + 四张 normal map」的 8 块拼图，本质上是一张 2D 图，跟 Flux DiT 的原生训练分布天然兼容。在这个前提下，训练时只挂一个 LoRA（rank 128），Flux 完全冻结，I/O 不变，结果数据规模 147K vs 320K–500K baseline（差 3–10×）依然在 text-to-3D 上 CLIP/质量/几何全部 SOTA；把训练集砍到 50K 仍赢 baseline Kiss3DGen。

图注：One LoRA（rank 128, Flux stays frozen）通过 elicits 作用于 Flux（priors preserved, I/O unchanged, 冻结）。右侧 ELICITED 分支给出 Text-to-3D generation（LoRA 把 Flux 的潜在 3D 拉成 3D Bundle Image → mesh）；INHERITED 分支给出 The whole Flux toolchain still works（ControlNet / Flux Redux / IP-Adapter 在 LoRA 后模型上即插即用）。

图注：论文原始框架图。Stage I 训练 LoRA 在 Flux 上做 text-to-3D bundle image 生成；Stage II 用 LRM 或 sphere 初始化 + ISOMER 优化做几何重建。两阶段清晰分工，第一阶段把 3D 任务压回 2D 图像域，第二阶段做几何与纹理恢复。

表征锁的关键不是「用什么 2D 接口」，而是「不动基座 I/O + 只挂最小代价」。这个原则带来的副产品是工具链继承：ControlNet-Tile/ControlNet-Normal/ControlNet-Canny、IP-Adapter、Flux Redux 全部直接挂在新模型上可用，不需要重新训练 Kiss3DGen。

2.2 目标锁：CamPilot 的几何自评奖励

CamPilot 的关键判断是「相机几何可以自己给自己打分」。给定 CogVideoX-5B-I2V + ControlNet 注入 Plücker Embedding 相机条件的视频扩散模型，作者训一个 camera-aware 3D decoder，把 video latent + camera pose 一起解到 3D Gaussians（3DGS），再用 3DGS 渲染出的图像与 GT 的像素差作为奖励信号。若 latent 与 pose 不对齐，3D 结构会几何畸变，渲染结果变糊——这条性质被构造成低层、可微的 reward。同时引入 visibility term，只对几何一致性确定的区域算 reward，避免对视频扩散幻觉区域的全像素监督损害多样性 CamPilot。

图注：Camera reward（tiny signal, geometry-grounded）通过 aligns 作用于 Video model（CogVideoX-5B + ControlNet, latent 3D priors），再 elicits 出 Camera-correct, 3D-consistent video。两个动词 aligns + elicits 构成「几何自评」的逻辑闭环。

图注：CamPilot 论文 Figure 1 三段流程图：(a) CogVideoX-5B-I2V + ControlNet 注入 Plücker Embedding 相机条件的 I2V 模型；(b) camera-aware 3D decoder 把 video latent + camera pose 解到 3DGS；(c) mask-aware reward optimization 反向优化视频模型。

数据规模上只用 RealEstate10K train split 的约 65K 视频，与 ViewCrafter 的 632K rendered pairs 形成 1/10 量级反差，定量上 R_err 0.023 < 0.039、FID 11.22 < 17.92 CamPilot。

OOD 证据：CamPilot 项目页的 OOD gallery 展示了沿 z 轴垂直轨迹渲染与「风格化角色」（猴毛人物 + 火炬 + 深色衣袍）的三视角一致性，角色命名不在论文主文，归入「项目页 OOD gallery」表述：

图注：中间 3D 散点图为沿 z 轴的近似垂直轨迹（颜色由底蓝→中绿黄→顶红对应 z 从 0 到 2），两侧三张渲染图为同一风格化角色在三视角下的稳定生成。这是「相机几何一致」在 OOD 跨域（项目页 OOD gallery，非训练域 RealEstate10K 室内静态场景）仍能成立的视觉证据。

目标锁的关键不是「用什么样的奖励网络」，而是「奖励信号本身必须几何一致」。这一点和 DVD 后续的 latent manifold rectification（latent 上做几何一致性约束）是同一思想的两个版本。

2.3 过程锁图像端：Lotus-2 的确定性核 + 受约束细化

Lotus-2 的关键判断是「原始 diffusion formulation 不适合 dense prediction」。论文把 Marigold 等同期工作的 ε-prediction 改为直接 predict annotation（target velocity = z^x − z^y），再把多步去噪改成 1-step regression，并约束 detail sharpener 在 core predictor 定义的 manifold 内做 ≤10 步 noise-free rectified-flow refinement Lotus-2。

图注：Lotus-2 核心架构图。FLUX backbone 的 Pack → diffusion transformer f_θ → Unpack → LCM(Λ) → 输出 z^y，标注 single-step t=1 与 clean-data prediction。LCM 是为了缓解 FLUX 自带的 Pack-Unpack 在 patch 边界产生的 grid artifact，是把单步确定性核做到 dense output 不出现拼接痕的必要细节。

数据规模 59K（约为 MoGe-2 的 0.66%，DepthAnything 的 0.09%），在 NYUv2 / ScanNet / iBims-1 / Sintel 四个法线数据集上 avg rank 2.9，严格最佳（在论文 Table II 实测值；Diffusion-E2E-FT 和 Lotus-D 都是 3.4）Lotus-2。定性证据上，teaser 图展示了在透明物体、油画等 OOD 场景下 sharp zero-shot prediction Lotus-2。

过程锁图像端的关键不是「多步去噪换成单步」这步操作，而是「把渲染管线的随机性关进笼子」——一旦把每帧的随机噪声去掉、换成确定性映射，结构稳定的几何预测才成为可能。这个判断对一个熟悉渲染管线（离线烘焙 vs 实时噪点）的读者并不意外：实时渲染用噪声模拟 GI，离线渲染则解一个确定的辐射度方程；Lotus-2 做的就是「把实时渲染式的随机 diffusion 换成离线烘焙式的确定性回归」。

2.4 过程锁视频端：DVD 把确定性核推广到视频

DVD 把过程锁从图像端推到视频端。核心是把预训练视频 DiT backbone（Wan2.1-1.3B）改造为单趟确定性回归器，diffusion timestep 不再是动态变量而是固定结构锚 τ₀=0.5（论文主文 Figure 10 / §5.3 给出 KITTI AbsRel 从 13.8（τ=0.0）到 6.7（τ=0.5）的对照，并报告 τ≥0.9 触发严重性能崩溃；refmeta 提及 Appendix D 中存在 16.3/23.7 等更大数值漂移，本次未访问附录本体）。再叠加 latent manifold rectification（LMR）缓解 mean collapse，最后用 backbone 自身的 global affine coherence 把长视频滑动窗做闭式最小二乘对齐 DVD。

图注：上方四行七列对比（RGB / DepthCrafter / VDA / DVD）展示 1500-frame in-the-wild 视频的深度估计结果；下方四个条形图从左到右为训练数据量（VDA 60M / DepthCrafter 30M / ChronoDepth 381K / DVD 367K，红色箭头 163× 指向 100M）、短视频精度、长视频精度、Boundary Recall & F1（论文 KITTI B-F1 = 0.285，图中 0.287 为 0.002 舍入差）。这是「deterministic core + 367K vs 60M 数据效率 + OOD 稳健」三重证据的视觉汇总。

图注：DVD 论文 fig:framework 总览图。上半部 video DiT backbone 在 structural anchor τ₀ 调制下做 single-pass depth regression，叠加 LMR 模块；下半部长视频 sliding-window 推理 W_A / W_B 通过 closed-form least-squares 解出 (s, t) 完成仿射对齐。τ₀ + LMR + global affine coherence 是 DVD 的三大设计关键词。

数据规模 367K frames vs VDA 60M / DepthCrafter 30M，摘要明示「163× less task-specific data than leading baselines」。定量上 KITTI AbsRel 6.7 < VDA 7.2，Boundary Recall KITTI 0.217、Bonn 0.336 DVD。OOD 方面，1500-frame in-the-wild 视频中 DepthCrafter 出现几何幻觉、VDA 在边界区域有歧义，DVD 一致且高保真 DVD。

2.5 把四组案例压成一张矩阵

S2–S4 已经把每个 case 的内部细节讲完，本节不再展开。下面是一张最小证据矩阵，每格只写「数据集 + 关键数字 + 锁与钥匙」一行：

四组案例不是四个独立工作，而是同一条件命题的四个解。三把钥匙缺任何一把，小数据 SOTA 都不成立：表征集没改对，模型就根本不知道任务是 3D 还是 2D；目标信号没对齐，模型就只学到任务标签而不学几何；过程没去随机化，结构稳定的几何预测就被噪声采样压塌。Lotus-2 把这件事点得最直白——论文摘要原文写「existing methods often uncritically use the original diffusion formulation, which may not be optimal due to the fundamental differences between dense prediction and image generation」Lotus。这条论断是「过程错配」一脉的源头，也是同作者后续 Lotus-2 直接沿用的诊断 Lotus。

三、怎么证明「诱发」而不是「记忆」：stress test + OOD gap 的判别清单

数据效率反差本身不是证明——读者完全可以说「那只是测试集偏置」。要把「诱发」从「记忆」里挑出来，需要两条腿：stress test（把基座先验去掉/换掉之后任务性能掉多少）+ OOD gap（训练分布之外场景能不能稳）。两条腿都站住，「诱发」才是一个有意义的命题。

先把四组 case 的数据效率反差摊开看：

图注：四卡片横向对比，从左到右依次为 Monocular Depth（Lotus/Lotus-2 59K vs Depth Anything V2 62.6M，1/1000 the data，Lotus matches / Lotus-2 beats）、Video Depth（DVD 367K vs Video Depth Anything 60M，1/163 the data，AbsRel 6.7 < 7.2）、3D Generation（Kiss3DGen 147K vs baselines 320K–500K（3DTopia 320K / Direct2.5 500K），约 1/2 – 1/3 the data，50K variant still wins）、Camera Control（CamPilot 65K vs ViewCrafter 632K，1/10 the data，R_err 0.023 < 0.039 · FID 11.2 < 17.9）。四组 case 共享「小数据 SOTA」这条反差骨架。

再把判别清单两条腿具体化。

腿一：stress test = 控制组 + 消融。把基座先验去掉或换掉之后，任务性能掉多少？最干净的证据来自 SDPose（同作者线 Ying-Cong Chen）：去掉 diffusion prior（换成随机初始化骨干）后，OOD 退化比 in-domain 退化剧烈得多——这意味着性能几乎全部来自冻结的扩散先验，而不是监督信号本身 SDPose。同样地，SDPose 去掉 RGB 重建分支（latent reconstruction loss 这个保留生成先验的正则化）后，跨域退化也比域内退化更剧烈，这给「诱发 vs 记忆」提供教科书级证据。

腿二：OOD gap = 训练数据覆盖范围 vs 适配后模型能稳定做的事。Lotus-2 在训练集只有 59K 合成样本的前提下，零样本泛化到 NYUv2（室内）/ ScanNet（室内）/ KITTI（室外）/ ETH3D（多种）/ DIODE（多种）五个深度数据集，并且在法线任务上泛化到 NYUv2/ScanNet/iBims-1/Sintel 四个数据集，论文 Fig. 1 teaser 进一步展示透明物体、油画这类训练分布外的定性 OOD 表现 Lotus-2。DVD 在 1500-frame in-the-wild 视频上展示透明/反射/未知物体等训练分布外的几何稳定性，这是「小数据诱发跨域几何能力」的实证 DVD。CamPilot 项目页 OOD gallery（沿 z 轴轨迹渲染风格化角色，三视角一致）则给出目标锁方向的 OOD 证据 CamPilot。

更强的证据来自 GenCeption。它用 1.23M frames 合成训练就能泛化到真实场景的 OOD 类别（animals / anthropomorphic characters / robots），论文称之为「emergent behaviors」并归因于 generative pretraining 内化的 spatio-temporal world priors GenCeption。同时 GenCeption 给出一个综合数据效率区间「7× to 500× less training data」，把这条判别清单推到最高一档证据：

图注：左半部分跨任务 SOTA baseline 对比面板（DepthAnything3 / SAM3 / D4RT / VGGT-Ω / Sapiens / David / Genmo / Lotus-2），右半部分 depth 任务数据效率对比展示 video generative backbone 在远少于 V-JEPA / VideoMAE / D4RT / VGGT-Ω 数据量时的精度表现。「7× to 500× less training data」是论文 abstract 给出的综合区间，不写死具体倍数。

图注：DVD 论文 fig:teaser，1500-frame in-the-wild 视频的 RGB / DepthCrafter / VDA / DVD 四行对比网格，下方三联图为 data scaling / inference latency / long-video stability。DepthCrafter 出现几何幻觉、VDA 在边界区域有歧义，DVD 一致且高保真——这是 OOD 稳健性的视觉证据。

把两条腿合并：判别「诱发 vs 记忆」不需要看 loss 曲线或论文 SR，只要看两件事——数据规模反差（量化「比对照小多少」）+ OOD 表现（质化「跨域是否仍稳」）。这是任何人都能照着做的判别步骤，不是只有论文作者才能做的特权判断。

四、这条路只适用于四个案例吗：GenCeption 与 SDPose 把「诱发」推到更广任务

四组 case 的数据效率反差再大，也只是深度/法线/3D/相机控制四个任务域。读者完全有理由问：是不是这四个任务恰好碰上了冻结扩散基座的「甜点」？

两条独立证据线给出否定答案。

证据线一：GenCeption 把 video diffusion 当通用感知 backbone。在 Wan2.1-S 1.3B 视频 DiT 上做 multi-task post-training，单次前向就能处理 depth / surface normal / camera pose / foreground segmentation / expression-referring segmentation / 3D keypoint 一整套感知任务，对位 baseline 包括 DepthAnything3、SAM3、D4RT、VGGT-Ω、Sapiens、David、Genmo、Lotus-2 GenCeption。

图注：GenCeption 架构图，输入视频 + 文本指令 → DiT 单次前向 → 多个 dense 任务（RGB latent 解码）与 sparse 任务（learnable tokens 作为额外输入）。同一 backbone 能同时打开多种锁，是「诱发 = 通用基础模型路线」这一论断的核心承载。

更关键的是 GenCeption 把视频扩散当通用 backbone 这件事本身——这把「诱发」从单任务 SOTA 推到了「通用基础模型路线」，与本文四案例的「单锁单钥匙」形成互补：GenCeption 是「单钥匙多锁」，四案例是「单锁单钥匙」，两条线一起说明诱发机制不依赖具体任务域。

证据线二：SDPose 把诱发机制跨任务搬到姿态估计。同一作者线（Ying-Cong Chen 同为共同作者）把 Stable Diffusion v2 U-Net 当视觉骨干，从 U-Net 最后四个上采样块抽 latent，再用 task embedding C ∈ {C_RGB, C_Pose} 让同一个 U-Net 切换行为——C_RGB 分支用 ℓ2 latent reconstruction loss 重建 Z_RGB，C_Pose 分支输出关键点 heatmap，整体目标 L = L_RGB + L_POSE SDPose。

图注：SDPose 训练 pipeline。输入 x 经 SD-VAE 得 Z_RGB，进入共享 latent diffusion U-Net f_θ（timestep 固定 t=1000，text disabled），task embedding C ∈ {C_RGB, C_Pose} 切换行为：C_RGB 分支由 ℓ2 latent reconstruction loss 监督重建 Z_RGB；C_Pose 分支从选定的多级 U-Net 特征经 PAFPN-style 聚合后输出关键点 heatmap，由 heatmap MSE loss 监督。

定量上 SDPose 用 SD-v2 单 backbone + 40/42 epoch 就在 COCO val 上拿到 81.2 AP，匹配 Sapiens-1B/2B 的 82.1–82.2 AP 但用了 5× 更少 epoch；同时自建 COCO-OOD benchmark（三个 style-transferred split + 一个 13 corruption severity=3 的 split）做可控 OOD 评测，在所有 split 上 SOTA SDPose。

对一个从 3D 视觉转向具身智能/agent 的读者来说，姿态估计是具身智能最基础的低层感知。SDPose 证明「冻结 2D 扩散先验 + 最小接口」能在姿态估计上 SOTA，意味着诱发机制不限于几何感知——它能成为 embodied agent 的视觉基础层。这是这一讲对「从 3D 转向具身」这条学习路径最直接的回应。

五、课程项目级别：五步小数据适配流程与可挑的样板

四组 case 的内部细节都讲过了，但读者作为学生真正想要的是「我能不能照这条路做一个课程项目」。答案可以压成五步模板，写出来可以直接复制到 README：

# 选锁 → 选基座 → 设计接口 → 设计信号 → OOD 验证

下面把每一步展开成最小可操作的判断。

Step 1 选锁：先决定要解哪一把锁。基座冻结后，「什么不匹配在挡你的任务」是最先要想清楚的事。表征集不匹配（任务接口基座不认），用 Kiss3DGen 范式（把任务接口强行压回基座原生 2D 域）；目标信号不匹配（基座默认目标不是你的任务目标），用 CamPilot 范式（设计几何自评奖励）；过程不匹配（基座默认去噪过程对感知任务不稳定），用 Lotus-2 / DVD 范式（换成确定性单步 + 受约束细化）。

Step 2 选基座：根据任务选基座。深度/法线类密集预测选 FLUX / SD 系（DiT 的 rectified-flow + 几何一致性世界先验）；视频可控生成选 CogVideoX / Wan2.1 系（视频扩散先验 + ControlNet 注入条件）；姿态估计选 SD v2 U-Net（多级上采样块 latent 对热图解码有最丰富定位信息）SDPose。

Step 3 设计接口：最小代价挂到基座上。3D 生成走 3D Bundle Image + LoRA rank 128；相机控制走 ControlNet 8 blocks + Plücker Embedding 注入；视频深度走 LoRA rank 512（DVD 论文 ScanNet 上最优，rank 256 不足，rank 1024 边际收益低，全参数微调反而过拟合）DVD。一旦 LoRA 不破坏基座 I/O，所有基座插件自动可用：

图注：Kiss3DGen 的 3D 增强与编辑流程。ControlNet-Tile / ControlNet-Normal / ControlNet-Canny / IP-Adapter / Flux Redux 在 LoRA 后模型上的接入路径，无需重新训练。这是「工具链继承」的具体路径——证明基座插件总线可以直接挂在 LoRA 后模型上。

Step 4 设计信号：奖励信号或监督信号必须与任务本质对齐。CamPilot 用 visibility-aware reward（相机几何自己给自己打分）；Lotus-2 用 clean-data prediction target（target velocity = z^x − z^y 而不是 ε）；DVD 用 LMR（latent 上一阶差分对齐）+ global affine coherence（闭式最小二乘）。

Step 5 OOD 验证：造一个可控的 OOD split 跑一遍。SDPose 的 COCO-OOD 是范本——Monet via StyTR2、Ukiyo-e via CycleGAN、color-sketch、13 corruption via albumentations，severity=3，固定随机种子 SDPose。如果不在这个 split 上 SOTA，回到 Step 1 重选锁。

下面给四个可挑的样板：

图注：Lotus-2 两阶段推理 pipeline。core predictor 做 single-step regression，detail sharpener 在其 manifold 内做 ≤10 步 noise-free rectified-flow refinement（T'_inf ≤ 10 可调）。这是「deterministic core 样板」的视觉锚点。

课程项目级别的小数据适配不是「复现 SOTA」，而是「挑一个 case、跑通五步、写清 OOD 验证」——这是这一讲给学生留下的最终工程接口。

六、这条路的边界在哪里：三个还没解掉的不匹配

把四组 case + 通用性证据都讲完之后，必须诚实交代这条路的边界，而不是把它包装成「诱发万能」。

边界一：长序列漂移。DVD 在长视频上用 global affine coherence（闭式最小二乘解 s, t）做局部对齐，这条解法在 1500-frame in-the-wild 视频上有效（论文 fig:teaser 顶部对比网格）DVD，但 global affine coherence 本身是局部解——闭式最小二乘只能解一个仿射变换，长视频漂移在更复杂场景下并未根除。DepthCrafter 与 ChronoDepth 在长视频上的几何幻觉、VDA 的边界歧义仍然存在，DVD 用 backbone 的先天性质改善了这件事，但「任何长视频都稳」是不存在的。

边界二：OOD 定量 benchmark 尚未广泛采纳。Lotus-2 的透明/油画 OOD、DVD 的透明/反射/未知物体 OOD、CamPilot 的风格化角色 OOD，目前都是定性证据（项目页 + 附录网格），没有跨域定量 benchmark 在社区广泛采纳。SDPose 的 COCO-OOD 是为数不多的自建可控 OOD 评测，但仅在本文作者内部使用，第三方独立验证尚未广泛出现 SDPose。读者若要给自己的工作判别，需要自己造一个 severity=3 的 corruption split 才能复现。

边界三：诱发 vs 通用基础模型路线的边界正在变模糊。GenCeption 已经把 video diffusion 当通用感知 backbone，SDPose 在姿态估计上跨任务——诱发是「用更小的数据适配」，通用基础模型是「从头用大模型」，二者关系尚未定型。当任务本身需要的几何先验不在扩散基座里（罕见但存在）时，诱发就退化成普通的 few-shot fine-tuning，文章宣传的「基座本来就会」就不再成立。

把三个边界合并起来看：三把钥匙同时解三把锁是一个条件命题，而不是「诱发万能」。读者应该把这一讲读成「判别清单」而不是「成功公式」——给定一个新论文，先看它有没有同时解三把锁中的每一把，再看它的 stress test 和 OOD gap 是否站得住，最后才决定这是「诱发」、「记忆」还是「打补丁」。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. Lotus: Diffusion-based Visual Foundation Model for High-quality Dense Prediction — arXiv:2409.18124
2. ViewCrafter: Taming Video Diffusion Models for High-fidelity Novel View Synthesis — arXiv:2409.02048
3. Kiss3DGen: Repurposing Image Diffusion Models for 3D Asset Generation — arXiv:2503.01370
4. CamPilot: Improving Camera Control in Video Diffusion Model with Efficient Camera Reward Feedback — arXiv:2601.16214
5. Lotus-2: Advancing Geometric Dense Prediction with Powerful Image Generative Model — arXiv:2512.01030
6. DVD: Deterministic Video Depth Estimation with Generative Priors — arXiv:2603.12250
7. DepthCrafter: Generating Consistent Long Depth Sequences for Open-world Videos — arXiv:2409.02095
8. GenCeption: Video Generation Models are General-Purpose Vision Learners — arXiv:2607.09024
9. SDPose: Exploiting Diffusion Priors for Out-of-Domain and Robust Pose Estimation — arXiv:2509.24980