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（UDM10 ×10：NBP / GT oracle / PiSA-SR ×4）

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 在三个首帧上都稳定优于「部署 DC + 事后 A」（括号里是 10 条里逐条胜出的条数）： NBP PSNR +0.28 dB（9/10）、SSIM +0.010、LPIPS −0.005（8/10）、DISTS −0.0026（9/10）； GT 首帧 oracle PSNR +1.41 dB（10/10）、SSIM +0.041、LPIPS −0.019（10/10）、DISTS −0.010（10/10）； PiSA ×4 PSNR +0.45 dB（10/10）、SSIM +0.015、LPIPS −0.007（10/10）、DISTS −0.003（8/10）。也优于「部署 DC + 事后 B」（PSNR +0.15 / +1.01 / +0.30 dB）。
• 无参考指标基本不变：DOVER ±0.004，Q-Align 反而略高（+0.04–0.06），MUSIQ NBP +0.03、oracle −0.18、PiSA −0.38（§B37 3σ 是 ±2.2）。
• 代价是时序略差：E_warp 比「部署 + 事后 A」高 0.02–0.05（多数片段都高一点）；但比「部署 + 事后 B」低（8–9/10 条），而 PSNR 仍更高。
• 机理：DC 每步先把观测搬到估计的几何下，修正量不再花在几何错位上（3 条试验里平均小 10% / 23%），省下的修正落到真实的低频内容误差上；几何交给最后的事后对齐。代价是 DC 不再把缩小拉回，obs 的原始输出缩得更多（原始 PSNR 低 0.75–1.3 dB），所以必须接事后对齐。
• GT 首帧 oracle 用 obs + 事后 A 后 PSNR 26.16，接近 SparkVSR / DOVE（26.4），LPIPS 0.122 / DISTS 0.064 远好于它们：首帧给对了，这条管线的保真度上限并不低。
• 3 条试验的估计（NBP +0.34、oracle +1.26 dB）在 10 条上得到确认（+0.28 / +1.41 dB）。单 seed。

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

DC 关 + 事后仿射（UDM10 ×10）

问题：事后对齐能不能替代 DC？把 DC（PnP）整个关掉，其他配置不变，再做同样的事后对齐（只用退化输入估计仿射）。NBP 的 DC 关臂是 R1IR1408（与部署配置逐比特一致，只差 DC，§B27 A2）；PiSA-SR ×4 的 DC 关臂是新跑的 R1PISA4N。DC 开的行就是上面「对齐到输入之后」表里的同一批产物。

• 事后对齐替代不了 DC：两边都对齐之后，DC 开仍比 DC 关高 +1.00 dB（NBP，10/10 条）/ +0.88 dB（PiSA ×4，8/10 条）。NBP 关 DC 再做事后 A（21.58）只和部署原始（21.68）持平；PiSA ×4 关 DC 再做事后 A（22.43）比 DC 开原始高 0.6 dB，但仍比 DC 开 + 事后 A 低 0.9 dB。
• DC 原始的 PSNR 增益里约一半是几何：不对齐时 DC 带来 +1.63 dB（NBP）/ +1.79 dB（PiSA）；对齐后剩 +1.00 / +0.88 dB。也就是说约 0.6 / 0.9 dB 是 DC 在把 H3 的整幅缩小往回拉：DC 关时缩得更多（NBP sx/sy 0.995/0.990 → 开 DC 0.997/0.995；PiSA 0.991/0.984 → 0.994/0.990）。剩下约 1 dB 是真正的内容保真（低频的色调和大尺度结构）。
• 感知类全参考指标上，DC 的优势基本消失，PiSA 甚至反过来：对齐后 NBP 的 LPIPS DC 开只好 0.004（8/10 条），DISTS 反而是关 DC 略好（0.1546 vs 0.1567，6/10 条）。PiSA ×4 关 DC 反而更好：LPIPS 0.290 vs 0.296（关 DC 9/10 条胜）、DISTS 0.143 vs 0.151（8/10）。
• 无参考指标：关 DC 的 Q-Align 稳定高约 0.2（NBP 9/10、PiSA 10/10 条），DOVER 高 0.01 / 0.025；但 PiSA 关 DC 的 MUSIQ 低 1.0（9/10 条），NBP 只低 0.1–0.2。NBP 开 DC 的 E_warp 更好（−0.10，7/10）。
• 读法：DC 承担了两件事，一是修几何，这部分可以由事后对齐接手；二是低频保真，约 1 dB PSNR，是对齐给不了的，代价是一点纹理感知分（DISTS / Q-Align）。所以最好的组合仍是「DC + 事后对齐」，下一节的 obs 档把这两件事拆开做。

n=10、单 seed（§B37 单片段 3σ：MUSIQ ±2.2 · LPIPS ±0.044 · DISTS ±0.002）。括号里的胜负数是 10 条里逐条比较的结果。

括号里是相对同一首帧、同一 DC 设置「原始」的变化。sx / sy 是 A 档整段缩放（十条均值，<1 = 输出比输入小）。vsr/rebut_nodc_chain.sh → vsr/rebut_nodc_table.py → outputs_vsr/_metrics/REBUTTAL_NODC_ALIGNED.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）