VGGRPO：把4D几何奖励放进视频生成的隐空间

视频生成模型可以把画面做得很逼真，但镜头一动，几何结构就可能漂移，物体形状和场景关系也会变得不稳定。机器之心介绍的 VGGRPO，针对的就是这类世界一致性问题。

VGGRPO 的做法是先训练隐式几何模型 LGM，把视频扩散模型的隐变量与几何基础模型连接起来，直接从隐空间预测 4D 场景几何。这样做不必每次都先解码回 RGB 像素空间，再计算奖励。

训练阶段加入两类奖励：一类惩罚摄像机轨迹的抖动，鼓励更平滑的平移和旋转；另一类把点云、深度、摄像机参数和场景光流重新投影到不同视角，检查几何是否保持一致。动态区域会被过滤，以减少运动物体对静态场景判断的干扰。

文章称，VGGRPO 在静态和动态场景的几何指标及通用视频质量指标上都超过基线。消融实验显示，只加镜头运动奖励可以改善相机轨迹，但几何伪影仍在；再加入重投影一致性奖励后，场景结构继续改善。这里的结论来自论文实验，尚不是生产系统的长期评测。

论文入口：

配图 1 是机器之心原文封面；配图 2 至 5 分别取自机器之心原文转载的论文首页、方法图、静态/动态场景定性比较图和奖励组件消融图，并已转存为稳定媒体资源。图中结果是论文展示，不是本频道重新评测。