AEON：把视频潜变量直接解码成可探索的 4D 世界

显式高斯让视角和时间可重访，但运动表征距离物理模拟还有多远？

1. 1

   1 · 用带寿命的高斯表示世界

   每个原语保存位置、尺度、旋转、颜色、不透明度，以及参考时刻、持续时间、线速度和角速度。透明度随时间高斯衰减，位置和旋转按速度变化；多个原语共同近似动态。它能表达出现/消失，却没有显式碰撞、质量或守恒约束。

2. 2

   2 · 先训练视频到4D的重建教师

   图2上方4DRM以DINOv2-L/MapAnything初始化，四个头预测深度、高斯外观、动态演化和相机。深度反投影定位原语，以渲染外观、几何和动态正则训练。推理不需要外部深度或位姿，训练阶段仍使用几何标注。

3. 3

   3 · 让生成潜变量进入几何骨干

   图2下方适配器包含闭式岭回归初始化的线性分支和Perceiver分支，后者门控从零开始。16维视频潜变量映射到1024维重建特征，接入DINO第4层而非重做前四层；教师看真实帧，学生只看潜变量，通过特征与几何属性蒸馏对齐。

4. 4

   4 · 再用渲染误差细化

   训练依次是重建20轮、冻结教师蒸馏30轮、渲染细化10轮；最后监督来自VAE解码帧并逐渐减弱蒸馏。生成结束后固定这份4DGS，可从新相机重复渲染；持续时长仍由生成片段决定，长时拼接属于未来工作。

已阅读正文与全部公开附录，核对实验条件与原图；未独立复现。

已核AEON推理代码、MIT LICENSE与实际实现；HF有aeon.safetensors，模型卡明确CC BY-NC 4.0、非商业研究。公开管线为Wan2.1 T2V/I2V，底座与第三方组件各自许可；MIT代码不等于权重可商用。

LICENSE论文与原图 CC BY 4.0；代码 MIT；AEON 权重 CC BY-NC 4.0