Gen Through the Lens：跨坐标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物理一致的相机操作。它将控制信号分解到相机坐标（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）三个空间，通过跨坐标条件融合统一引导生成过程，从而精确控制相机运动、对焦与构图。实验显示其在真实感与可编辑性上均优于现有方法。