Gen Through the Lens：跨坐标系条件融合的相机可控视频生成

Gen Through the Lens 是一个相机可控的图像到视频生成框架，能从参考图像合成视频并实现真实、物理一致的相机操作。它将控制信号分解并融合到相机坐标（内参）、世界坐标（空间几何提示）和物体坐标（目标主体的 3D 边界框）三个坐标系中，通过跨坐标系条件融合统一异构线索，精确控制相机运动、对焦与取景。实验显示其在多种相机操作下的真实感与可编辑性均优于现有方法。