Real2SAM2Real：用生成式 3D 缓存为视频扩散模型提供互补上下文

Real2SAM2Real 通过生成式 3D 提升从单张参考图估计出拓扑完整的物体与人体网格（含未观测表面），将指定相机轨迹下的法线图作为互补上下文注入视频扩散模型，实现相机与多实例运动的解耦控制。该方法仅用约 2,000 段单目视频训练，无需显式 3D 资产或多轨迹配对录制，在实验中展现出优于所评估 SOTA 方法的时空一致性与控制精度。