CameraEditor：把相机参数编辑拆成一段视频

图 3 为什么同时需要一条输入编辑序列和另一条参考序列？

1. 1

   先估计输入相机，再选择同操作参考

   GeoCalib 估计相机参数；在与测试场景分开的全景候选池中施加相同参数变化，构造参考序列。Qwen2.5-VL-7B 按五个维度评价，取最低维分数作保守筛选；参考承担相机运动示例，不是输入场景的真实三维观测。

2. 2

   用中间参数把大编辑拆开

   将输入到目标的变化插值为八个中间步骤加目标，共九帧以符合视频 VAE 的 4n+1 约束。输入和参考分别形成对应序列，帮助模型把大角度或广角畸变变化理解为连续过程；不引入深度感知的三维平移。

3. 3

   借视频扩散学习条件对应

   基于 Wan2.1-T2V-14B，使用 rank 32 的 LoRA 和 512 分辨率 flow matching 训练。图左两条序列编码后按时间组织共同进入 DiT；每步把条件帧潜变量恢复到固定输入，避免源图被噪声漂移，最后取目标帧作为图像输出。

4. 4

   用透视场检查几何，但保留估计器依赖

   PF-I 比较生成图与真值图估计的透视场，PF-T 比较生成图估计场与目标参数对应的解析场。评测不用再优化相机参数，并不代表无估计器偏差；GeoCalib 对反光或缺少线索的图像同样会失败。

以下为作者报告；已阅读 v1 全文及可用附录，本站未独立执行研究实验。实验条件与编辑解读分别列出。

首发 09-01，按回顾补收。已检查官方 GitHub：仓库为空；Hugging Face 的 CameraDiT 模型和 CamEditor-Bench 数据页目前只有 .gitattributes，没有权重或数据。因此不标开源或可复现实现。

LICENSE论文 CC BY 4.0；代码、模型、数据暂无可核实的有效发布许可。