本研究的共同第一作者是来自于香港科技大学（广州）EnVision Research 的张鸿飞（研究助理）和陈康豪（博士研究生），两位研究者均师从陈颖聪教 授。 你的生成模型真的「懂几何」吗？还是只是在假装对齐相机轨迹？ 当前众多视频生成模型虽宣称具备「相机运动控制」能力，但其控制信号通常仅依赖于相机位姿。虽近期工作通过逐像素射线方向（Ray Condition）编码 了运动信息，但由于模型仍需隐式推断三维结构，本质上仍缺乏对场景的显式几何理解。这一局限性导致了相机运动的不一致——模型受限于外观与结构两 种表征信息的耦合，无法充分捕捉场景的底层几何特征。 鉴于上述挑战， 来自香港科技大学、复旦大学等机构的研究团队提出了一种全新的端到端几何感知扩散模型框架 DualCamCtrl 。 该研究针对现有方法在 场景理解与几何感知方面的不足，创新性地设计了一个「双分支扩散架构」，能够同步生成与镜头运动一致的 RGB 与深度序列。进一步地，为实现 RGB 与深度两种模态的高效协同，DualCamCtrl 提出了语义引导互对齐机制（Semantic Guided Mutual Alignment），该机制以语义信息为指导， ...