视频到视频编辑：把“改变”与“守恒”写进同一份合同¶

冻结日期：2026-08-30。 本页把 video-to-video（V2V）限定为：源视频定义待修改的既有时间轴，系统按指令、掩码、参考或控制信号产生反事实视频，并能说明哪些内容应改变、哪些内容必须保留。若源视频只是驱动信号、历史前缀或可被丢弃的提示，就不能仅因输出也是视频而称为 V2V 编辑。

从 Video Rewrite 的局部口型替换 [1]、时空补全 [2] 和 vid2vid 的条件域翻译 [3]，到扩散模型的测试时特征注入、原生视频编辑 DiT / flow、三维运动控制与流式编辑，能力主线并不是“画面越来越漂亮”，而是可编辑自由度扩大时，源视频中的身份、几何、运动和因果关系还能否守恒。

检索式、纳排规则、正式 venue、2025–2026 release surface、负面核验、图片记录与验证命令见配套研究记录。

1. 先写任务合同，再选择模型¶

1.1 严格输入、输出与区域合同¶

一次可审计的 V2V 请求写成

\[
T_{\mathrm{V2V}}=(X,U,M,R,C,H)\rightarrow(Y,\Delta,D),
\]

其中：

$X=\lbrace x_t\rbrace_{t=1}^{T}$ 是完整源视频，决定输出的时间轴；
$U$ 是自然语言编辑指令，可为空；
$M=\lbrace m_t\rbrace$ 是可选时空掩码，需声明是硬边界还是软提示；
$R$ 是外观、身份、材质或风格参考，可为多图、多视频或前一轮结果；
$C$ 是轨迹、点、框、姿态、深度、法线、相机、音频等显式控制；
$H$ 是多轮历史或流式状态，必须区分“已接受状态”和临时预览；
$Y=\lbrace y_t\rbrace_{t=1}^{T'}$ 是编辑视频；$\Delta$ 是机器可读的改动范围；$D$ 是种子、模型、条件、轮次和撤销信息。

对时间重映射、插帧或变速，$T'$ 可以不同于 $T$，但必须给出源—目标时间映射。否则默认 $T'=T$ 且逐帧对齐。令 $E_t$ 为允许编辑区，$P_t=\Omega\setminus E_t$ 为保留区：

\[
\mathcal L=\mathcal L_{\mathrm{edit}}(Y,U,R,C,E)
+\lambda_p\mathcal L_{\mathrm{preserve}}(Y,X,P)
+\lambda_t\mathcal L_{\mathrm{temporal}}(Y,X).
\]

硬掩码表示 $y_t(p)=x_t(p),\ p\in P_t$，应在解码后再做一次已知像素合成；软掩码只表示“主要改这里”，允许影子、反射、遮挡和接触区域随对象一起变化。只给对象轮廓而不说明环境效应，无法判断 mask 外变化是错误还是必要编辑。

1.2 四个正交轴，不把任务名混成方法名¶

轴	选项	必须固定的合同
编辑范围	local / masked；global	局部任务报告 mask 外泄漏；全局任务列出仍需保留的身份、布局、运动或镜头
编辑内容	appearance；object；motion；camera / geometry	“换材质”和“改轨迹”不能共用一个模糊的文本相似度验收；restoration 是邻接合同而非编辑内容标签
条件接口	instruction；mask / box；reference；track / pose / depth / camera；组合条件	说明哪个条件具有冲突时优先级，以及条件是否逐帧对齐
会话形态	one-shot；multi-turn；streaming	多轮需保存状态与撤销点；流式需声明可见未来、缓冲区和端到端延迟

多参考不等于多轮：前者在同一轮提供多个条件，后者要求第 $k$ 轮只改变本轮目标并保留前 $1\ldots k-1$ 轮已接受结果。streaming 也不等于 long video：离线滑窗可以处理长视频，却使用未来帧；真正在线系统必须按因果可见性报告延迟。

1.3 什么算、什么不算 V2V¶

输入—输出关系	是否属于本页的严格 V2V	判据
源 RGB 视频 + 指令 / 参考 / 控制 → 同一场景的反事实视频	是	源视频不可被移除；需同时验收 edit success 与 preservation
局部对象替换、删除、重着色或动作修改	是	编辑区与保留区可写明；删除若目标是恢复遮挡背景，也与 inpainting 相交
全局风格、天气或域翻译	是，但属于 global edit	不能用“全画面都变”免除结构、身份和运动守恒
超分、去模糊、去噪、去压缩或复合低质恢复	邻接任务	全帧通常仍有退化观测；详见视频退化修复
缺失像素补全、对象移除后背景生成、outpainting	邻接任务	未知支持由 mask 指定或估计；详见视频补全
单图 / 首帧 + 文本 → 视频	否	图像是时间锚点而非待编辑视频；详见图像到视频
语义图 / pose / depth 视频 → RGB 视频	视合同而定	若源 RGB 不参与或可丢弃，是 conditional synthesis / translation；vid2vid 属于历史上的 video translation [3]
相机轨迹 + 文本 → 新场景	否	是 camera-conditioned generation
源视频 + 新相机轨迹 → 同一动态场景的新视图	是，属于 camera / geometry edit	必须保持同一对象状态并检验显露区和三维几何；ReCamMaster 是这一交叉点 [26]
视频前缀 → 未知未来	否	是 prediction / continuation，源帧是历史而非被修改对象
driving video + 人像参考 → 新人物动画	通常否	driving video 提供动作控制；若还要编辑 driving video 本身才进入 V2V
主体参考集 + prompt → 新时间轴视频	否	没有完整源视频可守恒；属于开放集视频个性化

图 074：严格视频到视频编辑的边界判定 顺序化文字替代： 先确认存在完整源视频；再确认输出修改的是这条既有时间轴，而非把它当驱动或历史。若目标只是恢复原内容，再判断是全帧退化观测的 restoration，还是由 mask 指定缺失支持的 inpainting。其余按局部、全局、运动或相机 / 视角编辑分流，每一支都同时写出编辑目标和守恒目标。

2. 方法选择器：控制越强，证据合同越具体¶

视频到视频任务合同选择器：从同一源视频与可选 instruction、mask、domain、reference、audio 或 pose 条件出发，先把图中的广义 restoration 或 completion 入口继续拆成全帧退化修复与缺失支持补全，再与外观翻译、语义编辑和重定时分流，并分别检查编辑成功、源保真、局部性、时间一致和身份或运动守恒。

图注： 四条路线先写“允许改变什么”和“必须保留什么”，再交付输出视频与 edit ledger。A 路是邻接任务入口，图中的 restoration / completion 必须继续拆成全帧退化逆问题与mask 缺失支持补全，不能共用一份验收；B–D 分别扩大到外观、语义与时间/运动结构。右侧五个验收轴彼此独立，不能用 edit success 掩盖整帧重绘。未来预测与首帧动画不修改完整源时间轴，属于不同合同。

图的顺序化文字替代：

输入先固定完整源视频；instruction、mask/track、target domain、reference、audio/pose 只是可选控制。
若目标是逆转 blur、noise、downsample 或 compression，进入 degradation restoration；若目标是补 mask 缺失支持，进入 completion / inpainting。两者都冻结身份与时序，但只有后者具有 mask 外像素硬保护。
若只改变风格或域，进入 appearance translation，并保留身份、运动、几何和时间。
若增删、替换或重照明指定内容，进入 semantic edit，并把改动限制在请求区域或属性及其必要环境效应。
若改变速度、运动路径或镜头结构，进入 retime / restructure，并显式冻结身份和因果连续性。
所有路线都输出 edit ledger，并分别验收 edit success、source fidelity、locality、temporal consistency 和 identity/motion preservation。

图 075：视频编辑方法主线选择器 顺序化文字替代： 先由 mask 外是否需要像素级锁定决定是否使用 mask-aware 路线。没有专用训练数据时优先考虑 inversion 与测试时注入；大幅语义变化优先原生编辑模型；首帧或关键帧驱动的小改动可走对应传播。运动、相机和材质分解需要更具体的 2D / 3D / RGBX 控制。最后按离线、多轮长视频或因果流式选择状态管理。上方 PNG 用于快速识别输出关系；本 Mermaid 保留“任务合同 → 控制自由度 → 时序形态”的可编辑精确分支。

3. 八条机制路线及各自的守恒假设¶

3.1 传播与 warp：把少量可靠编辑扩散到时间轴¶

这一路线先编辑首帧、关键帧或稀疏锚点，再用光流、对应特征或 I2V 模型传播。优点是接口直观、可复用成熟图像编辑器；弱点是遮挡、显露区、快速非刚性运动和长程漂移。AnyV2V 把图像编辑与视频传播解耦 [10]，FlowV2V 将一致编辑重写为 flow-driven I2V [12]，FFP-300K 则把首帧传播扩展为大规模配对训练问题 [13]。

隐藏假设： 第一帧包含未来所需身份和材质，且对应关系可跨遮挡恢复。若编辑目标只在后半段出现，首帧传播合同本身就不充分。

3.2 GAN 与 paired translation：从逐帧映射走向时间判别¶

vid2vid 把语义图、姿态等输入序列翻译为 RGB 视频，并用时序判别、前帧与光流约束增强连续性 [3]。它建立了“结构条件 + 时间一致”的工程范式，却依赖配对域、固定任务和训练分布；对任意自然语言反事实编辑并不天然适用。把 vid2vid 当作现代 instruction-based V2V 的同义词，会掩盖“源 RGB 是否必须保留”的合同差异。

3.3 分层、atlas 与显式合成：先把可编辑对象从视频中拆出来¶

Layered Neural Atlases 把前景和背景映射到统一 atlas，用户在二维 atlas 上编辑后再投影回视频 [4]；Text2LIVE 学习文本驱动的编辑层并与原视频合成 [5]。这类方法的优势是改动可解释、可局部撤销，失败通常来自分层错误、拓扑变化、长时遮挡和非朗伯反射。它提醒后续生成模型：可合成的显式 delta 比只返回一段新视频更接近非破坏性编辑。

3.4 测试时 attention / feature injection：借图像扩散先验而不重训视频模型¶

FateZero 在反演轨迹中融合注意力，保留布局和运动 [7]；Pix2Video 在图像扩散特征上建立帧间一致性 [8]；TokenFlow 用扩散特征对应传播编辑 token [9]。这些方法把“源视频信息”注入去噪过程，适合文本外观编辑和低成本迁移，但大动作、遮挡、新对象交互与长视频会暴露二维对应的上限。

关键区别： attention injection 保留的是模型内部对应，不等于硬 mask 外像素守恒；视觉上相似也不等于身份、几何或运动轨迹没有漂移。

3.5 Diffusion inversion 与测试时适配：先找回源视频，再沿条件方向移动¶

Dreamix 通过加噪、混合微调与视频扩散实现视频到视频、图像到视频和主体驱动编辑 [6]。StableV2V 强调编辑前后形状稳定 [11]，AnyV2V 则把 inversion、图像编辑和时间传播模块化 [10]。路线的主要误差来自：反演重建误差、编辑方向和源运动纠缠、每视频优化成本，以及不同随机种子导致的不可归因差异。

Dreamix 的逐视频反演/微调仍围绕已有源时间轴验收；若优化对象是开放集主体表示，并在全新时间轴中生成，则归入开放集视频个性化。

实验必须先报告 reconstruction-only：在不施加编辑时，反演—解码能否重建 $X$。否则后续变化无法区分是编辑成功还是反演损失。

3.6 原生 editing DiT / rectified flow：把源、目标和条件共同 token 化¶

Movie Gen 把视频生成与精确编辑纳入同一媒体基础模型族 [14]。VACE 用统一条件接口覆盖生成、参考和视频编辑，并在 ICCV 2025 正式发表 [15]。2026 年，EditVerse 把异构编辑样本统一为 token 序列 [16]，UNIC 把源视频、带噪目标和多模态条件共同建模 [17]，Ditto 用大规模合成数据训练原生指令编辑器 [19]，EasyV2V 用序列拼接、LoRA 与时空 mask 兼容局部 / 全局及可选参考 [18]。

原生模型能执行更大语义变化，却不能因为“端到端”就省略编辑区域合同。VIVA 用 VLM instructor 与强化学习提升指令对齐 [20]，CoT-Edit 把指令规划为框、mask 和编辑步骤 [21]，EditCtrl 只更新 mask token 并用低分辨率全局上下文控制计算量 [45]：三者分别把语义规划、空间定位和计算边界显式化。

3.7 多参考、3D / 4D 与内禀分解：从像素相关走向可控制世界状态¶

MotionFollower 用 pose / appearance controllers 和 score guidance 改变主体运动并保留外观与背景 [22]；MotionV2V 构造 motion counterfactual，以稀疏轨迹改变对象运动同时保留外观 [23]；3D Point Tracks 方法进一步把深度、遮挡与源 / 目标三维点轨迹写入运动合同 [24]。TrajectoryCrafter [25] 与 ReCamMaster [26] 面向新轨迹 / 新相机视角，只有当它们保持同一动态场景状态时才属于 V2V 的 novel-view edit。

V-RGBX 先把视频分解为反照率、法线、材质和照明，再做 intrinsic-aware 编辑 [27]；V2Edit 同时面向视频和三维场景 [28]。这一路线更适合检验遮挡、光照和几何，却要求可靠深度、相机或内禀估计。所谓“4D-aware”若没有跨视角 / 时间的几何证据，仍可能只是更强的视频先验。

编辑主张一旦扩展到“所有视角、所有时刻保持同一变化”，就要从像素保持合同升级为 camera-time grid、重投影、遮挡、loop closure 与可渲染状态合同；完整测试见多视角与 4D 生成。

3.8 记忆、多轮与流式：状态管理成为模型合同的一部分¶

Memory-V2V 用外部记忆、检索、动态 token 化和压缩支持长视频多轮一致性 [29]。EgoEdit 面向第一视角数据、流式模型与评测 [30]。LiveEdit 以双向到因果蒸馏和自回归 mask cache 逼近实时流式编辑 [31]，JoyAI 使用自回归扩散、因果 VAE 和有界 KV cache [32]，EditStream 则统一交互式视频生成与编辑 [33]。

“实时”必须拆成捕获到显示的端到端延迟、稳态 FPS、首帧时间、分辨率、窗口长度、峰值显存和硬件；论文中的作者报告速度不能替代本地复测。离线模型一次处理完整 clip 的 FPS 也不能证明在线因果性。

4. 能力转折点：每次扩大自由度，都留下新的守恒债务¶

时间	能力转折	代表证据	当时没有解决、今天仍需验收的项
1997–2004	从局部口型重排走向通用时空洞补全	Video Rewrite [1]；Space-Time Completion [2]	长遮挡、语义重绘、用户可控边界
2018	paired video translation 把时间判别和条件序列纳入训练	vid2vid [3]	新域泛化、自然语言开放编辑、源 RGB 守恒
2021–2022	atlas / edit layer 让改动可合成、可定位	Layered Neural Atlases [4]；Text2LIVE [5]	复杂拓扑、显露区、长程非刚体
2023–2024	图像扩散先验通过 inversion、attention 和 feature propagation 迁移到视频	Dreamix [6]；FateZero [7]；Pix2Video [8]；TokenFlow [9]；AnyV2V [10]	大动作、对象交互、反演误差、逐视频成本
2024–2025	视频基础模型与统一条件接口允许更大幅、多任务编辑	Movie Gen [14]；VACE [15]	精确 mask 外守恒、训练数据可追溯、可复现实验成本
2025–2026	原生编辑数据 / 模型把 instruction、mask、reference 共同训练	EditVerse [16]；UNIC [17]；EasyV2V [18]；Ditto [19]	组合指令、罕见交互、真实人工编辑对、许可边界
2025–2026	控制从外观推进到运动、相机、三维轨迹和内禀属性	MotionFollower [22]；MotionV2V [23]；3D tracks [24]；V-RGBX [27]	接触与碰撞、遮挡、拓扑变化、真实 4D 一致性
2026	多轮、长视频与因果流式成为一等协议	Memory-V2V [29]；EgoEdit [30]；LiveEdit [31]；JoyAI [32]；EditStream [33]	非破坏性状态、撤销、跨轮漂移、统一实时测量

这条时间线不是 SOTA 排名。早期显式分层方法在可解释 delta 和撤销上可能优于大模型；新模型扩大了指令覆盖，并未自动偿还 preservation、geometry 或 provenance 的债务。

5. 2025–2026 冻结快照：正式发表、预印本与 release surface 分开写¶

工作	截至冻结日的证据状态	核心贡献	可公开复现边界
VACE	ICCV 2025 正式论文 [15]	统一生成、参考与编辑条件	官方仓库有推理、预处理、Gradio、权重与 benchmark；未见完整预训练管线 [37]
MotionFollower / TrajectoryCrafter / ReCamMaster	ICCV 2025 正式论文 [22] [25] [26]	运动轨迹、通用轨迹和相机重定位	需逐项目核对数据、相机 / 深度前处理和权重，不把项目 demo 当复现
VE-Bench / FiVE-Bench	AAAI 2025 / ICCV 2025 正式论文 [34] [35]	主观对齐质量与细粒度编辑评测	是评测协议，不是编辑模型
V2Edit / FlowV2V	2025 arXiv 预印本 [28] [12]	视频—3D 联合编辑；flow-driven I2V	不因年份相同写成正式 proceedings
EditVerse / UNIC / IVEBench	ICLR 2026 正式论文 [16] [17] [36]	统一数据 / 条件建模；现代 instruction benchmark	数据、权重与训练 recipe 仍需按各官方发布面核验
EasyV2V / Ditto / MotionV2V / 3D Point Tracks / EditCtrl / VIVA / CoT-Edit / V-RGBX / EgoEdit / FFP-300K	CVPR 2026 正式论文 [18] [19] [23] [24] [45] [20] [21] [27] [30] [13]	原生编辑、数据扩展、运动 / 3D、mask 计算、规划、内禀属性、流式第一视角、首帧传播	“有 proceedings”不等于“有完全一致的训练代码与 checkpoint”
Memory-V2V	arXiv v3；Adobe Research 页面标注 ECCV 2026，但页面公开日期晚于冻结日 [29]	外部记忆与多轮一致	冻结日官方仓库仍写 Code coming soon [41]
LiveEdit	arXiv v2；官方仓库标注 accepted to ECCV 2026 [31] [46]	双向到因果蒸馏、流式 cache	仓库公开推理 / 训练 / checkpoint；作者速度需本地复测
JoyAI-Video-Edit	2026-08 arXiv 预印本 [32]	开放式自回归扩散编辑	官方仓库公开部署与权重；完整训练代码 / 数据在冻结日仍为 TODO [43]
EditStream	2026-08 arXiv 预印本 [33]	交互式生成—编辑统一自回归框架	官方项目页在冻结日写 Code soon、Data & Model soon [47]

5.1 这些论文真正改变了什么¶

数据成为能力瓶颈。 Ditto-1M 与 EditVerse 不再把编辑当成生成模型的附带推理技巧，而是训练原生 source→target 关系 [16] [19]。收益是大幅编辑和组合条件；代价是合成配对偏差、数据许可和巨大训练成本。Ditto 论文报告超过 12,000 GPU-days，这是作者报告，不是本页复测值。
mask 从输入提示变成算力边界。 EasyV2V 的时空 mask 统一 local / global 编辑 [18]，EditCtrl 只在 masked token 上执行主要计算，并保留低分辨率全局上下文 [45]。但 mask 外 token 不更新仍不保证解码后像素完全不变，硬合同需要输出合成和误差审计。
运动编辑从文本形容词走向反事实轨迹。 MotionV2V 的问题是“同一对象如果沿另一条轨迹运动会怎样” [23]；3D Point Tracks 显式处理深度与遮挡 [24]。这比用 CLIP 判断“moves left”更可检验，但仍未自动解决接触、碰撞与拓扑变化。
规划与执行被拆开。 CoT-Edit 先生成计划、框和 mask，再调用编辑器 [21]；VIVA 用视觉语言反馈训练编辑器 [20]。需要分别测 planner 的定位错误和 renderer 的生成错误，不能只报最终偏好分。
在线编辑把未来信息变成公平性问题。 EgoEdit、LiveEdit、JoyAI 与 EditStream 的可见未来和缓存不同 [30] [31] [32] [33]。离线基线若看到完整视频，不能与严格因果模型只按 FPS 横比。

6. 评价：至少八个维度，不能压成一个“总体质量”¶

VE-Bench 收集 8 个模型、24 位标注者和 28,080 个主观分数，用于研究自动指标与人类判断的对齐 [34]。FiVE-Bench 由 74 个真实源视频和 26 个生成源视频构成，覆盖 6 类编辑与 420 组 prompt / mask [35]。IVEBench 包含 600 个源视频、32–1024 帧、8 个主类和 35 个子类，强调现代指令编辑的时长与任务覆盖 [36]。这些规模来自论文，不应外推为“已覆盖所有真实编辑”。

维度	要回答的问题	推荐证据	常见误判
Preservation	不该改的区域是否保持？	对齐后的 mask 外 PSNR / LPIPS；DINO 特征；背景轨迹；人审	全局 CLIP 高分掩盖背景漂移
Edit success	指令、参考或控制是否真的实现？	编辑区 VLM / task classifier；参考身份；轨迹 / pose / camera 误差；成对人审	只看 prompt 相似度，模型可通过重绘整帧得分
Temporal	变化是否跨帧连续且不拖影？	flow-warp error、flicker 频谱、长程 correspondence、scene-cut 分层报告	短 clip 平均值掩盖后半段漂移
Identity	主体身份、服装与可接受属性是否保留？	face / person / object embedding、关键属性标注、跨遮挡重现	人脸分数替代通用对象身份
Geometry	深度、遮挡、相机和显露区是否自洽？	depth / normal、2D / 3D tracks、camera pose、occlusion ordering	单帧美观被误当三维一致
Physics	接触、支撑、碰撞、影子和反射是否随编辑变化？	事件标注、接触点轨迹、前后因果检查、人审失败 taxonomy	FVD / VBench 不能诊断具体物理错误
Latency	交互是否真的可用？	cold / warm 首帧时间、稳态 FPS、端到端延迟、峰值显存、分辨率和硬件	只报去噪 kernel FPS；忽略 VAE、传输和缓存预热
Undo / multi-turn	连续编辑能否非破坏地撤销？	每轮 delta、accepted-state checkpoint、逆操作误差、跨轮漂移曲线	把上一轮压成有损视频后仍称“无损历史”

6.1 局部编辑的最低分解¶

至少分别报告

\[
E_{\mathrm{out}}=d(Y\odot(1-M),X\odot(1-M)),
\]

\[
S_{\mathrm{edit}}=s(Y\odot M,U,R,C),
\]

以及时序边界误差 $E_{\partial M}$。若软 mask 允许影子或反射外溢，应另给扩张环 $\mathrm{dilate}(M)-M$，不能悄悄把它并入背景平均值。全局编辑也要定义锚点集合，例如脸部身份、对象轨迹、相机或场景布局。

6.2 多轮非破坏性协议¶

设第 $k$ 轮的已接受状态为 $S_k=(Y_k,\Delta_k,D_k)$。新编辑从 $S_k$ 派生临时分支 $\tilde S_{k+1}$；用户接受后才写入 $S_{k+1}$。撤销是恢复 $S_k$ 或重新应用可逆 delta，而不是再输入一句“改回去”。建议测试：

顺序交换： 对互不相交的编辑 $a,b$，比较 $a\rightarrow b$ 与 $b\rightarrow a$；
循环撤销： $a\rightarrow b\rightarrow\mathrm{undo}(b)$ 与 $a$ 的差异；
区域隔离： 第 $k$ 轮只重测新区域，也重测所有已接受区域；
长程重现： 对象遮挡后再出现时，身份和前轮属性是否回来；
状态压缩： 固定历史 token / memory 预算，画出质量—内存—轮数曲线。

6.3 streaming 公平协议¶

统一输入帧率和分辨率，分别设置 look-ahead $L=0$、有限 $L$ 和 full-context；报告 capture→encode→edit→decode→display 的分段与总延迟。发生 scene cut、指令切换或 mask 突变时，检查 cache 是否重置。对作者报告的 LiveEdit、JoyAI 或 EditStream 速度，只能写“在其硬件和设置下报告”，本地未复测前不能写成通用实时结论。

7. 一套可复现、可归因的实验矩阵¶

7.1 固定样本，而不是为每个方法挑最擅长的 demo¶

建立带版本号的 source suite，至少分层覆盖：静态 / 运动相机、刚体 / 非刚体、单 / 多对象、短 / 长遮挡、室内 / 户外、真实 / 生成视频、人物 / 动物 / 通用对象、低 / 高纹理。每个源视频配同一组合同：

零编辑： 空指令或 identity instruction，测纯重建与方法固有漂移；
局部外观： 小 mask 换色 / 材质，测 mask 外守恒和边界；
对象增删 / 替换： 测显露区、影子、反射和遮挡；
全局外观： 天气 / 风格变化，但锁定身份、布局和原运动；
2D / 3D 运动： 同一对象改轨迹，测几何、接触和速度；
相机编辑： 同一动态场景改视角，测姿态和新显露区；
多轮： 三个互不相交编辑、一个重叠编辑、一次撤销；
流式： 指令切换、scene cut、长期运行和突发遮挡。

只比较共同支持的条件。一个仅文本全局编辑器不能因不接受 mask 而在 mask 精确度上被判为实现错误，但应明确标成“不支持该合同”，不能把缺失接口记成零分后再算综合排名。

7.2 每条路线的最低对照¶

路线	必做对照 / 消融	要隔离的因果项
propagation / warp	只编辑关键帧；无 flow；不同锚点间隔；遮挡开 / 关	改善来自图像编辑器还是时间传播
inversion / injection	reconstruction-only；无 attention / feature injection；相同 seed	编辑收益与反演误差分离
native editor	source condition 移除；mask / reference / instruction 分别移除；同骨干生成基线	原生编辑训练是否真正利用源视频
motion / 3D	2D track 对照 3D track；真值深度对照估计深度；遮挡子集	几何条件贡献与估计器误差
multi-turn memory	无记忆；固定窗口；不同压缩率；轮次交换	一致性来自记忆还是重生成
streaming	full-context 上界；相同 look-ahead；cache reset；冷 / 热启动	质量—延迟权衡和未来信息泄漏

7.3 复现记录必须能重放¶

每次运行保存：论文版本、仓库 URL 与 commit SHA、checkpoint 哈希、依赖 lockfile / 容器、GPU 与驱动、输入文件哈希、解码后分辨率 / FPS / 色彩空间、prompt / negative prompt、mask 定义、参考排序、所有 seed、采样器 / 步数 / guidance、窗口 / overlap / cache、峰值显存、分段耗时和失败日志。批量结果同时保存逐样本指标；只给平均数无法定位哪类编辑崩溃。

报告三种复现层级：

R0 文档复核： 能定位论文、配置、权重与许可，但未运行；
R1 推理复现： 用官方 checkpoint 完成固定样本和哈希记录；
R2 训练 / 微调复现： 数据版本、训练代码、预算与指标可重跑。

本页的 release surface 审计属于 R0；没有下载全部权重、执行 GPU 推理或复跑作者速度。

8. Release surface：有论文不等于可完整复现¶

以下状态按 2026-08-30 的官方页面与默认分支快照记录；“未见”只表示在核验位置没有发现，不能证明私有资产不存在。

项目	冻结快照	已公开	负面核验 / 限制
VACE	`48eb44f1c4be87cc65a98bff985a26976841e9f3`，Apache-2.0 [37]	推理、预处理、Gradio、权重、benchmark	未见完整预训练 recipe；依赖上游基础模型与许可
AnyV2V	`bc540befacafddb9689ee86a396e7738bfed0e4f`，MIT [38]	模块化推理代码与示例	复现还依赖外部图像编辑 / I2V 组件，不是单一自包含 checkpoint
StableV2V	`68aff43cd01aed58159f57fee626e5f1bb72aef3`，MIT [39]	代码、权重与 DAVIS-Edit 资源	任务和数据规模不等于开放式原生 instruction editor
Ditto	`4b1c86eee134d1f1e8c3db35a4eef750cec13f16`，CC BY-NC-SA [40]	推理、训练、数据说明与模型权重	非商业许可；大规模训练预算未在本页复跑
Memory-V2V	`a9cb5430ba8d05669a5cbafc8967cff2858d5d0a` [41]	论文、项目说明	README 仍写 Code coming soon，不能标记为代码可复现
EgoEdit	`8e90b19e6dfe46fa06f2c4915ebdadb5d3de5d72`，非商业条款 [42]	数据 / benchmark 相关资源	冻结日未核验到与论文模型完全对应的官方 checkpoint
JoyAI-Video-Edit	`114a1f605acacbf494b46c383fab49df6240268c`，Apache-2.0 [43]	部署代码与权重	README 的完整训练代码 / 数据仍为 TODO；30 FPS 等为作者设置报告
MotionV2V	`f2efa3d3ce641f34ae9b177c2df84d39e688e82c` [44]	项目页素材	默认分支未见推理代码或权重，不能把网页结果当本地复现
EditCtrl	`e0a31e6abcc8684dd319772eabf916b5d9dc616a`，Apache-2.0 [45]	公开重实现、推理接口	README 明示是 public reimplementation，不是内部精确 checkpoint
LiveEdit	官方仓库与 checkpoint [46]	推理、训练与模型资源	需按其硬件重测端到端延迟；接受状态不等于冻结日已有正式 proceedings 页面
EditStream	官方项目页 [47]	论文、视频与说明	页面写 Code soon、Data & Model soon，冻结日不可做 R1

9. 失败诊断：先判断破坏了哪条合同¶

现象	优先检查	可能机制原因	针对性对照
mask 外颜色或纹理漂移	硬 / 软 mask、解码后合成	全局 cross-attention、VAE 重建误差	identity edit；已知像素硬合成
主体跨帧换脸 / 换纹理	长程身份、遮挡后重现	局部对应短视、memory 被压缩	遮挡子集；延长锚点间隔
动作改了但身体拉伸	2D / 3D 轨迹、深度和遮挡	只有屏幕空间控制，无几何约束	真值 / 估计深度对照；3D track 对照
新视角暴露重复纹理	相机姿态和 disocclusion	把新视图当二维重绘	固定相机误差；多视角重投影
删除对象但影子 / 反射残留	soft edit support	mask 只覆盖对象轮廓	mask 扩张环；副作用标注
多轮后早期编辑消失	accepted state、轮次 delta	每轮从压缩 RGB 重生成或历史截断	轮次交换；undo cycle
流式遇 scene cut 污染	cache 生命周期	旧 KV / mask cache 未重置	人工 cut；强制 reset 对照
指令分数高但整帧重绘	preservation 指标	目标函数只奖励语义匹配	配对人审；mask 外特征和轨迹

10. 尚未解决的研究问题¶

可证明的编辑局部性。 如何让 hard mask 成为架构或采样不变量，而不只是训练提示？
组合因果编辑。 改变对象运动后，影子、接触、碰撞和相机遮挡应如何联动，又如何避免无关背景重生成？
真实编辑数据。 合成 before / after 对能扩规模，但会复制生成器偏差；真实创作轨迹、许可与隐私如何兼顾？
多轮可逆状态。 未来系统应保存 latent scene graph、分层 delta、外部记忆还是完整版本树？“撤销”能否不依赖再生成？
4D 证据。 如何用可观测的多视角重投影、3D 轨迹和遮挡顺序证明模型真的维护动态场景，而不是视频先验碰巧连贯？
流式公平性。 如何统一 look-ahead、缓存、VAE、传输和显示延迟，使不同论文的 FPS 可比？
评价可解释性。 如何把 VLM 偏好与像素、身份、几何、物理和人类工作流中的可撤销性结合，而不制造新的单一总分？

11. 建议阅读路径¶

理解任务边界： 先读本页第 1 节，再读图像到视频、开放集视频个性化、视频退化修复、视频补全和任务分类。
理解测试时编辑： Dreamix → FateZero → Pix2Video → TokenFlow → AnyV2V。
理解原生编辑模型： VACE → EditVerse / UNIC → EasyV2V / Ditto → EditCtrl / VIVA / CoT-Edit。
理解运动与几何： MotionFollower → MotionV2V → 3D Point Tracks → ReCamMaster → V-RGBX。
理解工作流状态： Layered Neural Atlases / Text2LIVE → Memory-V2V → EgoEdit / LiveEdit / JoyAI / EditStream。
做实验前： 先读 VE-Bench、FiVE-Bench 与 IVEBench，再按第 7 节冻结样本和版本。