密集对应匹配长期被平滑运动、刚体几何这类时空先验约束。这些假设在经典任务中有效，但在图像编辑与参考引导生成（IEG）中会失效：变换可以保住视觉身份，同时切断物理连续性。本文提出 FreeMatching，试图在这类变换上建立身份保持的密集对应。
先验失效后的对应问题
经典密集匹配默认相邻观测之间存在平滑运动或刚体几何。IEG 并不满足这一点：编辑或参考生成可以改变姿态、外观甚至布局，但对象身份仍应可对齐。若继续依赖时空先验，匹配会在身份仍在、几何已断的地方系统性出错。FreeMatching 把任务重写为跨非物理连续变换的身份保持对应，而不是恢复物理运动。
框架与实验表述
方法上，FreeMatching 结合生成式基础表征与语义基础表征，监督来自经典数据集、跟踪视频和合成场景三类异构数据。针对 IEG，作者使用教师引导的迭代精炼，在没有密集对应标注的条件下改善结果。实验上，单个模型在困难 IEG 图像对上大幅提升对应质量，同时在经典基准上保持有竞争力的表现。作者还展示将其用作身份保持的量化指标，并称分数与人类判断相关。代码已开源。摘要未提供具体数据集、数值提升、相关系数或模型结构，此处不作外推。
我的判断
价值在于把密集对应从物理连续性里拆出来，对准编辑与参考生成里真实存在的身份对齐需求；生成加语义表征、异构监督、无标注精炼，问题意识和路径都清楚。适用边界同样清楚：它首先服务 IEG 式的身份对应，以及作为身份保持度量；经典任务只要求竞争力，不宜理解为全面替代经典密集匹配方法。局限是材料信息薄——没有量化表、失败案例和成本，教师是谁、精炼是否稳定、异构数据如何平衡都未知。在现有摘要范围内，更合理的读法是一次问题定义更新加可复现代码，而不是已经可下结论的通用匹配器。