MV-Forcing：用「4D 几何桥」打通「长 × 多视角」,单一扩散模型端到端跑出 4D 视频

视频扩散两条赛道一直咬不上:时间自回归把单视角拉到分钟级(Sora、Veo 3.1);双向注意力做多视角一致(VideoMV、4Diffusion),却只能撑几秒静态。Cornell Tech 的 Fiebelman 等人在 **arXiv:2607.05376** 提出 MV-Forcing:以自回归 3D 重建作「4D 几何桥」传递视角间先验,让单一扩散模型同时吃下「长」与「多视角一致」。 机制分三层。 几何桥负责对齐——源视角 3D 重建后渲染下一视角的深度、法线、位姿先验,交给扩散做高频细节,3D 守一致、扩散守保真。联合去噪让两视角槽位都从噪声起互给先验,绕开 teacher 固定窗口,使生成真正无界。DMD + Spatio-Temporal Self-Forcing 把 few-step student 蒸馏出来,用视频级损失修补 exposure bias,延续 Xun Huang 团队 Self Forcing 思路,这次同时盖住时间与视角两个自回归轴。 为什么值得看。 世界模型与自动驾驶仿真要的正是「任意长度、任意视点、物理一致」的 4D 场景,此前只能堆算力或拼多通道管线。MV-Forcing 提出「几何归 3D,纹理归扩散」的轻量范式,若被更大模型验证,工业级 4D 视频生成的成本曲线有望再下一档。