超越像素：从视频先验到4D世界

4D生成从文本或图像等条件合成动态3D场景。现有方法要么使用独立的4D模型重建生成的RGB视频，要么调整特定的视频生成器直接预测几何结构。前者面临分布不匹配和误差传播的问题，而后者将4D预测绑定到特定生成器，当生成器或条件设置变化时可能需要重新训练。我们探讨是否共享变分自编码器（VAE）的视频模型的最终去噪潜变量，可以作为显式4D预测的可复用接口。基于这一见解，我们引入了直接潜变量到4D生成方法，并将其实现为Latent-to-4D，该方法通过将视频潜变量与预训练4D解码器的标记网格对齐，并通过逐帧和全局时空注意力进行细化，从而绕过RGB。在约1K个现有重建片段上训练后，单个检查点可在同一VAE家族内的多个视频扩散变换器上无需修改地迁移。在Text4D-200和I4D-200基准上，Latent-to-4D在基于投影的DINO-F1指标上分别超过匹配同潜变量的Wan+4RC级联方法2.88至3.45分和5.81分，同时在几何结构、时间稳定性和整体质量方面也获得人类评估者的偏好。