Real2SAM2Real：用生成式 3D 缓存为视频扩散模型补充上下文

Real2SAM2Real 用单张参考图生成拓扑完整的前景 3D 网格缓存，为视频扩散模型补充几何上下文，实现相机与多实例运动的解耦控制。该方法在约 2,000 段单目视频片段上训练，无需显式 3D 资产或多轨迹配对录制，通过法线图引导与软空间对齐注入，在保持预训练生成先验的同时提升时空一致性与控制精度。