三维感知特征

CineScene：以隐式三维作为电影级视频生成的有效场景表示

CineScene: Implicit 3D as Effective Scene Representation for Cinematic Video Generation

用 VGGT 把静态场景图像编码成隐式三维感知特征，再以额外上下文拼接的方式注入预训练文生视频模型，实现相机轨迹可控且场景一致的视频合成；这套「隐式三维先验 + 上下文拼接」的条件注入思路可迁移到任何需要几何一致性的可控视频生成任务。