Rebuttal 实验结果

E0 · 首帧专家筛选（UDM10 ×10，图像级）

每个图像专家对 UDM10 每条片段的首帧做 ×4 复原（LR 312×176 → 1248×704），统一在 1248×704 上对 GT 首帧中心裁打分（pyiqa 默认配置）。n=10，单 seed。

⚠️ 这是图像级结果，不能直接用来选型：送进 H3 后的结果见「H3 输出」页。档位：保真档高感知档参照旧版。点表头可排序，黄色为每列最优（不含 GT / bicubic）。

逐条对比

H3 输出 · 同一视频管线，换不同专家首帧（UDM10 ×10）

所有行都用论文 Table 1 的部署配置：冻结 MiniMax-H3（Ref2VA）· 退化视频作 video ref · 专家首帧作 appearance ref（短边 1408）· 由该专家帧重新生成的 caption · 频率门控 DC（bicubic4 / c=0.06 / g=0.5 / N=10）· seed 0。只换专家首帧，其他全部不变。指标是 32 帧全片。

• 视频级无参考指标跟着首帧的感知档位走：NBP、LucidFlux 高，保真档（PiSA ×4 / TADSR / ODTSR / HarnessIR）低。DOVER / FastVQA / Q-Align 仍然是部署的 NBP 最高。
• GT 首帧 oracle：LPIPS 0.364→0.175、DISTS 0.158→0.078，都减半；但原始 PSNR 只 +0.7 dB（22.36）。主因是 H3 生成端约 1–1.4% 的整幅缩小，不是内容画错：逐帧仿射对齐后 oracle 升到 25.9 dB，反超 bicubic 1.8 dB，高频细节和 GT 的相关达 0.67–0.81（见下方「PSNR 缺口拆分」）。
• 原始 PSNR 的跨专家差距被压缩（首帧跨 5.0 dB → 视频 2.3 dB），其中一部分是几何巧合：NBP 首帧自带约 +0.9% 放大，正好抵消 H3 的缩小；GT 首帧和开源专家都是 1.000，缩小全部留在输出里。对齐后排序回到首帧保真度顺序：ODTSR > PiSA ×4 > NBP > LucidFlux。

n=10、单 seed：小差距按 FINDINGS 规则 7 只当假设。§B37 单片段 3σ 噪声：MUSIQ ±2.2 · LPIPS ±0.044 · DISTS ±0.002。点表头可排序；黄色为每列最优（不含 oracle）。

首帧 → 视频：同一专家在图像级和视频级的变化

首帧 = 专家输出本身对 GT 首帧（E0 口径，1248×704）；视频 = H3 输出 32 帧均值。oracle 行的首帧就是 GT，略去。

逐帧 PSNR

横轴为帧号（第 0 帧是专家帧对应的那一帧）。bicubic 是 H3 实际收到的输入（common.prepare，RGB 对 GT 中心裁），与 E0 页 bicubic 首帧口径一致。

保真度缺口在哪个频段

输出和 GT 同时按 f 面积降采样后再算 PSNR（偶数帧 0..30）。如果缺口只在高频，降采样后应追平 bicubic。

1/8 尺度上 H3 各行仍比 bicubic 低约 1.6–3.4 dB。这主要也是整幅缩放造成的错位（降采样消不掉 1% 的缩放），不是低频内容有偏差：先做逐帧仿射对齐，oracle 的低频误差就比 bicubic 小了（见下表）。全局平移 + 色彩校正只找回 0.3–0.5 dB，是因为它不含缩放。

PSNR 缺口拆分：逐层补偿（帧 0/8/16/24/31）

每格「第 0 帧 / 第 8–31 帧」。「仿射→GT」是逐帧 ECC 仿射对到 GT（上界）；「仿射→输入」只用退化输入估计，推理时可部署。频段分解在仿射→GT 之后做（高斯 σ=4 px）。

首帧本身对 GT 的整幅缩放：NBP sx 1.0085 / sy 1.0092（10 条全部 >1）；PiSA ×4、ODTSR、HarnessIR、bicubic 都在 1.000±0.001。bicubic 对齐后几乎不变，说明对齐没有作弊。对齐后 NBP 的缺口全在高频：细节能量是 GT 的 1.6 倍，但相关只有 0.36（细节多、对不上）。vsr/rebut_h3_diag_gap.py

对齐到输入之后（可部署的几何校正，不用 GT）

把每一帧 H3 输出用仿射变换对齐到退化输入（推理时拿得到），再走与 Table 1 相同的整条指标链。A = 整段片子共用一个仿射（10 帧取中位数，只修恒定缩放和取景偏移，不会引入抖动）；B = 每帧各估一个仿射。Lanczos 重采样。五个基线同样做 A 档，作公平性对照。

• 全参考指标一致变好（A 档）：NBP（部署）PSNR 21.68→22.58（+0.90），SSIM 0.600→0.629，LPIPS 0.364→0.353；GT 首帧 oracle PSNR 22.36→24.75（+2.39），LPIPS 0.175→0.141；保真档专家 +1.1–1.5 dB。
• 观感基本不变：DOVER、FastVQA、Q-Align 的变化都在 ±0.01 量级，MUSIQ 只降 0.2–0.3（§B37 的 3σ 是 ±2.2），NIQE 升 0.04–0.09，是 Lanczos 重采样带来的轻微软化。整幅 1% 的缩放肉眼看不出来，只有拖分界线到画面边缘时能看到边缘对齐了。
• 公平性对照：SparkVSR、DOVE、FlashVSR、DiffIR2VR 做同样的 A 档，PSNR 变化 ≤0.01 dB；SeedVR2-7B +0.28 dB（它本身有 0.2% 的缩放）。所以这个校正只对有几何偏差的方法有效，不是通用的刷分手段。
• A 档比 B 档更合适：B 档 PSNR 再多 0.1–0.4 dB，但 E_warp 变差（NBP 1.650→1.692，A 档反而降到 1.626）：逐帧独立估计会引入轻微的几何抖动。
• 对齐后 Gen4LV（NBP）的 PSNR 仍低于 SparkVSR / DOVE（22.6 vs 26.4）：剩下的缺口主要是 NBP 首帧的高频幻觉（见上方「PSNR 缺口拆分」），不是几何。

括号里是相对「原始」的变化。vsr/rebut_h3_align.py → vsr/rebut_h3_align_table.py → outputs_vsr/_metrics/REBUTTAL_H3_ALIGNED.md

看对齐前后的画面

先仿射再 PnP（试验：udm10_000–002，n=3）

不对齐时，PnP 的残差 y − H(x̂₀) 里混着几何错位（H3 输出整幅缩小约 1%），加性修正只能把错位的边缘在低频上「混合」。试验在 DC 里加一步全局仿射配准（纯 torch 的 Lucas–Kanade，整段一个仿射，在 HR 上对 bicubic 上采样的输入求解）：

• obs：每个 DC 步先把观测搬到当前估计的几何下，再做 PnP（估计本身不重采样）；最后再做一次事后 A 档对齐。
• est：只在第一个 DC 步把估计搬到观测的几何下（一次 bicubic 重采样），之后照常。

• obs + 事后 A 是目前最好的组合：相对「部署 DC + 事后 A」，NBP PSNR +0.34 dB、LPIPS −0.006、DISTS −0.004、SSIM +0.012；GT 首帧 oracle PSNR +1.26 dB、LPIPS −0.013、DISTS −0.011（§B37 单片段 3σ 是 ±0.002）、SSIM +0.042。NR 指标基本不变（MUSIQ 0 / −0.5，DOVER ±0.006，Q-Align +0.08 / +0.03）。
• DC 不再把力气花在几何上：obs 档的 DC 修正量（3 条 × 10 步平均）比部署版小 10%（NBP，3–16%）/ 23%（oracle，11–32%），省下来的修正落在真实内容误差上。代价是输出的缩小不再被拉回（obs 原始 PSNR 比部署原始低 0.7–1.0 dB），所以必须接事后对齐。
• est 档几乎没有效果：输出与部署版逐像素 39–48 dB，和同配置重跑的随机差异同级。第一个 DC 步的 σ=0.89，搬正后的估计在下一步状态里只占约 11%，几何被模型按条件重新施加回去。

括号里是相对同一首帧「部署 DC + 事后 A」的变化。vsr/dc_ops.py（--dc-align obs|est，默认 none 与部署版计算路径完全相同）· vsr/rebut_dcalign_table.py → outputs_vsr/_metrics/REBUTTAL_DCALIGN.md

视频对比

静帧对比（可放大）

视频模型 · Track B：把 Gen4LV 的接口搬到 Wan2.1-VACE-14B 和 LTX-2 19B（udm10_000 / udm10_005）

同一张专家首帧（NBP）、同一条退化视频（bicubic ×4）、同一段 caption，接到两个新 backbone 的原生条件通道上，都不训练、不改模型文件。DC 是把 H3 的 frozen recipe 原样搬过去（等剂量步按各自采样器重新推导：Wan 22,37,42–49；LTX-2 21,31–39）。

• VACE 的 control video 和 LTX-2 的 in-context video 都逐像素照抄退化视频（失败模式①「保留退化」）：「对输入 PSNR」高达 27–36 dB，MUSIQ 停在 bicubic 附近；专家帧只留在第 0 帧，或者完全不起作用。
• 唯一不照抄的通道（LTX-2 retake）是从噪声重新生成（失败模式②「偏离观测」）：画面清楚，但镜头静止、内容偏离，离散度 33–69 px。
• 中间强度也没有可用的状态：VACE scale 0.5、LTX in-context ×2，要么第 0 帧之后崩坏，要么重影。
• ⚠️ LTX retake + DC 会骗过离散度指标：离散度降到 1–2 px，但画面是重影（低频被拉回，高频还停在第 0 帧）。看 udm10_000 的第 31 帧最明显。

n=2、单 seed：只是待验假设（FINDINGS §B62）。结论属于计划里的 C1：原生通道实现不了这套接口，不等于这些模型没有这种能力。

每格是 udm10_000 / udm10_005；VACE 的两个 DC 臂只跑了 000。「对输入 PSNR」= 输出对退化输入（bicubic）的 PSNR，越高越接近照抄；H3 部署版约 22 dB。指标来自 vsr/rbb_eval.py，bicubic 行用的是 01_input_upsampled_bicubic（PSNR 口径比 H3 页低约 0.4 dB），画面上显示的是实际喂给模型的 bicubic。

视频对比

静帧对比（可放大）