视觉生成已经能产出照片级帧，却常常保不住一致的三维场景。这项工作认为，这不只是建模问题，也是表示问题：生成器通常在外观中心的潜空间里演化，感知模型则在语义更丰富、编码跨视图结构的空间里恢复几何。作者没有把几何再挂成另一个输出，而是把几何基础模型的特征重参数化成紧凑潜空间，做成 Geometry-Native Autoencoder（GAE），作为感知与生成的共享基础。

从外观潜空间改到几何原生状态

GAE 的核心不是新的生成骨干，而是换一份状态。该潜变量可联合解码到外观、深度、相机和点图，因此同一份紧凑表示同时携带外观与跨视图几何。有了这份状态后，标准条件流即可支撑多样生成任务。论文把论证压在表示上：与其在外观生成后再补几何，不如让生成从一开始就走在几何原生的潜空间里。

只换潜空间的对照结果

为排除生成器和训练配方的干扰，作者做了受控比较：生成器与训练协议固定，仅把潜空间换成 GAE。视觉质量和独立测量的三维一致性同时提升。FVD 在 RealEstate10K 上下降 12.7%，在 DL3DV 上下降 23.1%；RealEstate10K 上的相机轨迹误差减半。摘要据此认为，潜空间是几何一致生成的中心因素，也可以作为感知与生成之间的共享接口。

我的判断

这份工作的价值，是把三维一致性从「多加一个头或一项损失」前移到共享表示，并用固定生成器的对照把效果钉在潜空间上。两个数据集上的 FVD 降幅，以及 RealEstate10K 上轨迹误差减半，方向一致，比只报画质更有说服力。适用边界同样清楚：材料只覆盖 RealEstate10K 与 DL3DV，未给出模型规模、延迟与失败模式，也未说明几何基础模型的具体来源。条件流「支持多样生成任务」在摘要里仍是定性表述，不宜外推到开放世界或实时交互。对视频与世界生成，更可复用的是接口定义——一份能同时解出外观、深度、相机和点图的紧凑状态。表示选对了，标准生成器也会跟着变稳。