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

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）