把选片、排序、写稿、配乐装进同一个离散词表：AutoCut 如何做可控的广告剪辑

英文题目：AutoCut: End-to-end advertisement video editing based on multimodal discretization and controllable generation

会议身份：conference:cvpr:2026:conference-paper-id:Zhou_AutoCut_End-to-end_advertisement_video_editing_based_on_multimodal_discretization_and_CVPR_2026_paper

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#多模态学习 #检索增强 #向量量化 #音视频生成 #音乐检索

评分：5.5/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.4/1.5 | 开源 0.0/1.5 | 可复现 0.2/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：系统技术报告

👥 作者与机构

• Milton Zhou：机构信息未能从会议 PDF 纯文本可靠映射
• Sizhong Qin：机构信息未能从会议 PDF 纯文本可靠映射
• Yongzhi Li：机构信息未能从会议 PDF 纯文本可靠映射
• Quan Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Peng Jiang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

广告短视频编辑需以产品信息与候选视频片段及脚本音乐需求为输入，输出选片排序口播文案与背景音乐合成的成片，难点在于跨模态对齐弱、长时序难控与理解生成割裂。AutoCut先以视觉编码器与音频编码器抽取连续特征并经残差量化离散为统一词表，再冻结Qwen3-8B主干仅更新新增模态嵌入层做多模态对齐，随后全参数监督微调学习选片排序写稿配乐四类任务，最后经相似检索与渲染输出成片。该链条将上步离散词元序列化为统一输入字符串供下一步下一词元预测使用，使理解决策与生成统一于同一推理空间从而支持全局时序推理。相对分离式理解检索合成管线，其关键差异在于共享离散词表上的细粒度多模态推理与可控编辑，实际意义是提升叙事一致性与跨模态稳定性。在统一评测协议下，emb+sft条件的CRA指标为0.10714，高于sft only条件的CRA指标0.08242。该结论适用边界受限于真实广告数据集与库内检索式复用，跨品类泛化与从零合成像素音频能力尚未验证。单卡RTX 4090上的硬件实测显示其推理开销比闭源大模型管线降低一个数量级。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，目标是什么：广告剪辑为何难自动化？

本解读的输入是论文正文提供的文字、图表与表格证据，以及本次实际收到的 4 张官方原图像素，不引入外部经验或网络评价。目标是让刚进入语音、音乐与音频方向的研究生能复述 AutoCut 的做法：它要解决的是短视频广告从素材到成片的端到端编辑，需要保留的关键信息包括任务定义、离散化方法、2 阶段训练、检索渲染流程、实验条件与主结果数字。输出是 1 篇按学习依赖展开的技术解读，例子会明确标为例子。

短视频广告的制作链条包括写脚本、拍素材、选片段、排序、配解说与背景音乐，再做后期合成。传统流程需要专业人员反复挑选与调整，对小企业门槛很高。已有工具要么是模板，把转场和节奏写死，要么是检索，按文案找片段再拼接，理解与生成常常分开优化，导致全局叙事不连贯。举例来说，一个卖白色 T 恤的广告可能有挂拍、面料特写、手持抖动等十几个片段，模板只能按固定顺序拼，检索只能按单句文案找最像的 1 帧，都难以保证卖点讲清楚且节奏顺滑。

AutoCut 要回答的问题是能否用一个模型同时看懂画面、声音与文本，并直接给出可执行的编辑决策。论文把这个问题拆成 4 个可测任务：视频选择是从候选池挑出相关片段，视频排序是把挑出的片段排成连贯顺序，脚本生成是写出与画面对齐的解说词，背景音乐选择是挑出风格匹配的音乐。4 个任务共用同一套离散表示与同一个语言模型主干，最终输出的不是像素，而是词元序列，再经检索与渲染变成可播放文件。这个设定决定了后文的阅读顺序：先看相关路线，再看全景与组件，最后看训练数据与评测。

同输入同目标的前人走了哪几条路？

如果按输入、目标、监督与运行阶段来对照，前人主要有 4 条路线。第一是基于模板的方法，用手工规则或电影惯例决定镜头顺序与转场，优点是结构稳定，缺点是依赖预设，换品类或换风格就要重写规则。第二是基于检索的方法，把编辑看成多模态搜索加拼接，例如按描述文案找 footage，或按 transcript 找片段，效率高但受数据集覆盖与检索精度限制。

第三是生成式方法，试图超越直接检索，包括高光检测、多模态摘要、重要性加连贯性奖励的组装网络，以及交互式文本引导剪辑。这类方法在单段连贯性上有进展，但论文指出它们在时间一致性、真实感与多场景稳定性上仍有困难。第四是基于多模态大语言模型的方法，从模式驱动转向推理驱动，例如引入时间词元、慢快特征做定位，或做多场景广告组装。另一支是把多模态大语言模型与扩散模型结合做像素级修改，重点是指令驱动的视觉变换，而不是选片、排序与叙事组装。

AutoCut 与上述路线的区别在于运行阶段的统一程度。模板与检索把理解、检索与合成放在不同模块，生成式方法多关注片段级质量，而多数多模态大语言模型方法仍把理解、检索与合成分开。AutoCut 把视频、音频与文本都变成离散词元后，用同一个自回归模型做推理，再统一走检索渲染。这样做的好处是跨模态依赖可以在一个序列里建模，代价是仍依赖素材库，论文明确承认它不从零合成新像素或原始音频，因此受素材覆盖与质量约束。

论文把障碍拆成哪三个可操作问题？

论文把可扩展、可控、连贯的视频创作障碍归纳为三点，每一点都对应后文的一个设计。第一是多模态耦合松散，视频、音频与文本的表示对齐弱，难以做统一推理。如果只是把字幕文本丢给纯文本模型，再用第 1 帧的 caption 代替视频，模型就看不到运动与节奏，配乐也难以与画面卡点。

第二是缺乏可解释的控制。多数模型没有结构化或离散表示，很难调整叙事节奏、时间构成与内容强调。连续特征向量虽然表达力强，但难以像词元那样被选择、排序与复用，也不易与用户给的产品信息或候选池约束对齐。第三是理解与生成割裂，把多模态理解与生成当成两个过程分别优化，导致编辑质量不稳定。例如先用一个模型写脚本，再用另一个模型配音乐，两步的目标不一致就容易出现文案讲面料而音乐却是激烈电子乐的情况。

为此论文定义输入集合为产品信息、文本脚本、视频片段与背景音乐的子集，输出依任务而定，可以是片段序列、文本脚本或背景音乐。这种任务形式化让 4 个任务能在同一评测协议下比较，也为后文的离散词表与 2 阶段训练提供了接口：不管输入缺哪一路，都先变成词元再拼接成序列。

AutoCut 让一个样本走完从素材到成片的全链路

先沿一个 T 恤广告样本走完全程。输入可能是产品卖点文本加一池候选片段与若干背景音乐。系统先用视觉编码器与音频编码器抽特征，再用残差量化编码器变成视频词元与音频词元，与文本词元拼接后送入 AutoCut 模型。模型按提示输出 3 路词元：视频词元、文本词元与音频词元。视频词元经解码器映射后去视频库检索真实片段，文本词元变成脚本后经语音合成引擎生成解说并叠字幕，音频词元经解码或检索去音频库取背景音乐，最后拼接渲染成片。

下图是论文给出的生产级全景，重点是双帧率分工与 3 路输出的去向，读图时注意左右两条视频通路并不相同。

看图路径： 1. 先从顶部三路输入沿箭头向下看编码器与嵌入层的分叉；2. 再看中间 AutoCut Model 输出的三路词元分别走向何处；3. 最后看底部视频片段、字幕与音频如何汇成 Result Ads Video

论文图 1。原论文 Figure 1：“Overview of the AutoCut framework. Low–fps frames are tokenized for efficient multimodal reasoning, while high–fps frames are kept for accurate visual matching and clip retrieval.”。

从像素看，顶部左侧两路都是 T 恤画面的堆叠，但标注分别为 20 fps 与 1 fps，右侧是背景音乐的波形与频谱示意。中间紫色 AutoCut Model 之上是稀疏词元输入，之下分出 3 路输出。底部左侧视频库箭头指向真实片段缩略图，中间字幕卡片指向蓝色解说波形，右侧音频库指向红色音乐波形，三者在胶片条处汇合成片。这支持论文的文字说明：低帧率帧被词元化用于高效多模态推理，高帧率帧被保留用于精确视觉匹配与片段检索，给定可选输入后模型预测 3 类词元再解码或检索组装。

多模态离散化 × 可控生成： 多模态离散化负责把连续的视频帧特征和音频特征压缩成有限词表中的离散词元，让语言模型能像读文本一样读画面和声音；可控生成负责在给定产品信息或候选片段等输入条件下，按任务输出指定的词元序列。两者搭配的原因是只有先统一表示，同一个模型才能在选片、排序、写稿和配乐 4 个任务间共享上下文，组合后新增的作用是把理解与编辑放在 1 次自回归预测里完成，而不是分模块拼接。

低帧率推理 × 高帧率匹配： 低帧率推理负责把每秒 1 帧左右的稀疏画面变成短词元序列，控制上下文长度以便做全局叙事推理；高帧率匹配负责保留每秒 20 帧左右的稠密特征用于精确检索。搭配原因是长广告若全用高帧率会超出窗口，组合意义是用便宜的稀疏表示做决策，用稠密表示保召回，两路在素材库处汇合。

编码器与量化器各自做什么，为何这样搭配？

视觉编码器用白话说就是把每 1 帧画面变成一串数字向量。论文采用基于 ResNet-50 结构的现成卷积网络编码器，在大规模真实广告帧上用对比学习目标预训练，目的是让向量有语义区分度，方便后续量化与检索。之所以选它，论文给出的安排理由是在表示质量、成本与效率之间做实用折中，没有声称它是最强的视觉主干，未来工作还提到可探索 ViT 或 CLIP 等更强前端。

音频编码器是预训练音频神经网络，简称 PANNs，在 AudioSet 上训练过。每段音频先转对数梅尔频谱，再经 Wavegram 加对数梅尔卷积主干同时捕捉时间与频谱特征，输出代表语义声学内容的嵌入向量。它的分工是处理背景音乐与语音分离后的声学信号，与视觉编码器形成互补：一路看画面语义，一路听节奏与音色。

连续向量不能直接给语言模型做下一个词预测，因此需要残差量化变分自编码器，简称 RQ-VAE。它用多层码本逐级逼近高维特征，每帧或每段音频编成 8 个词元，码本尺寸记为 256 乘 8。论文报告这种配置在重建质量上视频余弦相似度为 0.89，音频为 0.96，同时词元长度可控。离散词元随后与文本词元并入共享多模态词表，这是统一推理的前提。 下图展示词元化与输入序列组织方式，是理解组件搭配的关键。

看图路径： 1. 先看左侧脚本、胶片与波形如何变成带起止符的离散编号；2. 再看中间虚线框内 Text 与 Frame 交替组成的对齐输入序列；3. 最后对比右侧第一阶段冻结与第二阶段全量更新的图标差异

论文图 2。原论文 Figure 2：“Overview of the proposed AutoCut framework.”。

该图左侧把脚本、胶片与背景音乐波形分别变成带起止符的编号序列，例如视频形如 video 起止符加多行编号，音频类似。中间虚线框把文本块与帧块按片段起止符交替堆叠，底部还有音频块，说明训练样本是时间对齐的多模态序列。右侧用雪花与火焰图标区分冻结与更新：第一阶段只对齐新增词元嵌入，第二阶段做多任务监督微调，底部黄条列出 4 个任务的数据来源。这与正文 2 阶段描述一致。

残差向量量化 × 统一词表： 残差向量量化负责用多层码本逐级逼近高维连续特征，每帧或每段音频输出 8 个词元编号；统一词表负责把这些视频编号、音频编号与原有文本词元放在同一个输入输出空间。搭配理由是语言模型只能预测离散编号，量化提供了双向映射，组合意义是重建时能用余弦相似度衡量保真度，推理时能直接做跨模态的下一个词元预测。

词元检索 × 渲染合成： 词元检索负责把模型预测的视频词元和音频词元映射回素材库中最邻近的真实片段，用相似度搜索完成视觉匹配和音乐匹配；渲染合成负责用 ffmpeg 把片段拼接、加转场、叠字幕并合成解说音频。分工上前者解决从抽象编号回到具体素材，后者解决从素材到可播放文件的工程闭环，组合后才把语言模型的编辑决策变成可投放的广告成片。

两阶段训练到底冻结了谁，只对哪部分算损失？

第一阶段是多模态对齐，目标是让模型学会视频、音频与文本词元如何对应。每个训练样本是时间对齐的多模态词元串成的统一输入串，优化目标是下一词元预测，对序列中所有位置的词元都算损失。基座用 Qwen3-8B，在约 700K 过滤后广告样本上训练。关键实现是主干冻结，只更新新引入的多模态嵌入层，这样早期训练更稳定，先把 3 模态投到共享语义空间，再做任务适配。论文说该阶段学到脚本与场景 grounding、音画节奏同步与短视频常见时间结构。

第二阶段是监督微调，教任务行为。与对齐阶段不同，它只对回答部分计算损失，每个样本有输入上下文与指定目标输出，例如有序片段序列或生成脚本。此时采用全参数微调，优化设置与对齐阶段相同。学到的是按用户输入做可控编辑，覆盖多种剪辑场景。需要指出的缺项是论文未在正文给出学习率、批量大小等完整超参数，仅说细节在补充材料，因此本解读不能复述具体数值。

数据侧分两批构建。解析时每条广告经语音识别抽脚本并按标点对齐切分片段，视频用 ffmpeg 按 1 fps 采样编码，音频用 pydub 分离再经语音音乐分离与嵌入抽取。对齐集保留高互动、去掉有歌词音乐或无人声的样本，规模大但边界与转录较 noisy；微调集进一步筛选时长小于 120 秒、片段长度在 2 秒到某阈值之间、图文相关性高的样本，规模约 100K，分割更干净。 下图对比两批数据的分布形态，读时先看量级再看形状。

看图路径： 1. 先对比上下两行在纵轴量级上的差别确认数据规模差异；2. 再看每列横轴含义并比较上下分布的宽窄与偏态；3. 最后重点看视频时长与文本长度两列的拖尾变化

论文图 3。原论文 Figure 3：“Dataset statistics for the multimodal alignment (top) and SFT (bottom) stages.”。

上排粉色为对齐集，下排橙色为微调集，列依次为每视频片段数、片段时长、视频时长、片段文本长度与视频文本长度。上排纵轴可达 1e6 量级，下排多为 1e3 到 1e5，说明对齐集大得多。上排多呈尖峰加长尾，例如片段时长集中在很短处，视频文本长度拖尾到 1600；下排更接近钟形，例如每视频片段数峰在 10 左右，视频时长峰在 20 秒上下，文本长度也更集中。这支持论文判断：对齐集多样但不规则，微调集更小但更均衡、标注质量更高。

多模态对齐 × 监督微调： 多模态对齐负责在大规模约 700K 样本上只更新新增词元嵌入层，让视频、音频与文本先进入共享语义空间；监督微调负责在高质量子集上全参数更新，只对回答部分计算损失，学习选片、排序等具体行为。先冻结主干再放开的理由是避免早期噪声冲乱语言能力，组合后模型既学到脚本与场景对应，也学到任务格式。

在什么数据与协议下测，与谁比才算公平？

评测要回答 4 个任务的效果，指标各有分工。视觉脚本相关性简称 VSC，用大语言模型对视频脚本对打 0 到 2 分，越高语义对应越强。片段选择准确率简称 CSA，是只含正片段的样本占比，越高挑选越准。片段排序准确率简称 CRA，是预测顺序与参考完全一致的样本占比。脚本质量简称 SQ，是按基础质量 30 分、表达传播 40 分、长度节奏 30 分共 100 分的模型打分。

词数差异简称 WCD，是生成脚本词数与目标词数的绝对差，越低时间一致性越好。音乐相似度简称 MSS，是用 Music Flamingo 分别描述预测与真实音乐再比相似度，范围 0 到 1，越高越接近。

比较对象包括纯文本模型、视觉语言模型与闭源多模态模型。纯文本模型如 Qwen3-8B 与 32B 看不到画面，论文用 Qwen2.5-VL-32B 把每片段首帧转成简短 caption 作为代理，还专门在同一微调集上训练了一个 Qwen3-8B caption 微调基线。多模态模型保留原生帧输入，AutoCut 用离散低帧率词元并按任务可选加入文本或音频词元。背景音乐检索只与带音频编码器的 MGSV 加 GPT-4o 比。所有模型用同一指令模板，在同一切分的 364 个视频上评测，以保证任务定义与输出格式一致。

为明确实验规模与成本条件，先整理论文直接报告的数字，表中方向需结合指标定义理解，成本数字保留原文写法。

上表说明评测的公平性建立在同一数据切分与同一模板上，但模态输入并不完全同构：caption 代理会丢失运动信息，离散词元会压缩细节，因此跨路线比较时要留有余量。成本上论文给出的是估计值，显示 AutoCut 在部署上更便宜，但这不等于延迟或误判率也被测量。未报告统计显著性与多次运行方差，这是复现时需补的验证。

主结果测了什么，谁在哪些指标上真正占优？

主结果同时看 4 个任务，关键是区分局部语义一致性与任务级可用性。论文报告 AutoCut 在排序、脚本质量、时间一致性与音乐匹配上占优，在选择与图文对应上接近最优，但在个别图文对应指标上被 caption 微调基线与 GPT-4o 超过。下表按论文原句整理核心数字，方向是 CSA、CRA、VSC、SQ 与 MSS 越高越好，WCD 越低越好。

表中数字来自论文对最佳与次佳的文字总结，而非对原宽表的逐格抄录，原宽表因表头缺失本次未直接选择。表后需要强调收益与代价：收益是结构化编辑任务上的时间推理与脚本规划更强，且用轻量离散词元达到与视觉语言基线可比的选择精度；代价是 VSC 主要反映局部语义而非整体剪辑质量，AutoCut 在该项上落后于微调后的 caption 基线与 GPT-4o，说明离散压缩在细粒度图文对应上仍有损失。此外自动指标不能当成人评，下一段用人评补充。

人工评测采用成对比较，10 名标注者看 100 个样本，每样本用同一候选池为同一产品分别生成 AutoCut 与 GPT-4o 版本，从视觉流畅、逻辑一致、图文对齐、音乐视觉兼容与整体吸引力 5 维选胜、负或平。导读是先确认堆叠条含义，再比较各行胜段长度。

看图路径： 1. 先确认横轴为比例、每条堆叠为胜平负三段的含义；2. 再逐行比较五个维度中橙色胜段的长度差异；3. 最后重点看配乐兼容性一行与其他四行的胜率落差

论文图 4。原论文 Figure 4：“User study results: win–loss ratios against GPT-4o across five evaluation dimensions.”。

像素显示 5 条横向堆叠条，橙色为胜、粉为平、紫为负。图文对齐行胜段最长达 70%，逻辑一致 68%，视觉流畅与整体吸引力均为 65%，音乐视觉兼容最低为 52% 且负段达 26%。这说明联合建模对叙事与图文对齐帮助最大，对音乐匹配帮助相对有限，与自动指标中音乐虽最佳但绝对值仅 0.3475 的现象一致。限制是样本仅 100 且标注者 10 人，未报告一致性系数，不能推广到全品类。

拿掉对齐或加一轮预训练会发生什么？

消融要验证 2 阶段流水线的必要性，对比 3 种设置：只做监督微调、嵌入对齐加额外预训练再微调、嵌入对齐加微调即论文默认。比较问题是同样的任务数据下，对齐是否提供更好的初始化，以及额外预训练是否引入噪声。公平条件是同一任务定义与评测切分，指标方向与主结果一致。

原表共三行数据行与三列指标，首行为表头，分别对应选择、排序与图文对应。数值显示默认的 2 阶段在排序、图文对应与脚本质量上更均衡，而只做微调的版本在部分指标上低，加入额外预训练的版本虽在选择上略高，但在排序与脚本质量上下降且词数差增大。论文把额外预训练的退化归因于预训练语料质量有限与标签一致性弱，噪声干扰了已对齐的词元分布，因此采用 2 阶段作为默认。

这一反证的教学意义是数据质量比阶段数量更重要。对齐阶段用大规模 noisy 数据学对应关系是有效的，但再加一轮同样 noisy 的预训练并不单调提升。同时要注意消融只报告了部分指标的表格，脚本质量与词数差的完整数字在正文中以文字给出，解读时应回到原文核对，不把单表推广到全部任务。

哪些边界论文已经承认，哪些还未测量？

论文在讨论部分明确承认三点局限。第一是音画节奏仍有细微失同步，统一词元改善了跨模态对齐，但视频运动与音频节奏的耦合尚未完全统一。第二是可控性仍在片段级，不支持细粒度情感感知或帧级编辑，叙事灵活性受限。第三是基于素材的编辑范式，渲染阶段从素材库检索组合现有视音频以保证真实感与可投放性，但不从零合成像素或原始音频，因此受库覆盖与质量约束。

未测量的边界同样重要。论文未报告误判率、端到端延迟、输出帧率与实际延迟的分离测量，也未报告多次运行的方差与显著性。成本对比是基于估计的美元数值，不能直接当成延迟承诺。相关性不等于因果，例如排序准确率高支持时间建模有效，但不能证明每一步预测都稳定。此外代码与数据链接在正文给出，但本次解读未完成可达性验证，不得声称已公开可用，复现前需自行确认链接状态。

未来方向按论文列出 3 条：用交叉注意力与扩散精炼加强时间对齐与多模态连贯，也可试更强视觉前端；用扩展指令集与隐空间编辑实现节奏、语气与情感的更细控制；把片段合成与自适应检索并入统一解码，向完全生成与人类对齐的创作迈进。这些是待验证的设想，不是已报告的结论。

要复述与复现，先做什么才能不走偏？

复述时建议按样本级链路先讲一遍：输入产品信息与候选池，经编码器得连续向量，经量化得每帧 8 词元，与文本拼成对齐序列，模型输出 3 路词元，再检索渲染成片。术语首次出现先用白话再给英文，例如残差向量量化、监督微调、片段选择准确率等，后文简称固定。公式部分原文未提供可绑定的完整 TeX，本解读不自写展示公式，只用文字说明重建损失是余弦相似度形式，目标是让重建特征接近原特征。

复现先做三件事。第一是按原文重建数据解析：语音识别抽脚本并按标点切分，视频 1 fps 采样，音频分离后抽嵌入，再做 2 级筛选得到大规模对齐集与高质量微调集。第二是实现量化与词表：码本尺寸按 256 乘 8 配置，验证重建余弦相似度是否接近视频 0.89 与音频 0.96 的报告值。第三是按冻结策略训练：对齐阶段冻结主干只训新增嵌入，全序列算损失，微调阶段全参数只对回答算损失。

还需补的验证包括同一 364 切分上的复测、caption 基线的同模板对比、人工评测的标注者一致性，以及延迟与成本的实测。不要把冻结参数当成输出确定，也不要把自动指标当成人评。若素材库不同，结果会变，这是基于检索范式的必然条件。

何时值得尝试 AutoCut，何时应选别的路线？

当任务是广告级的选片、排序、写稿与配乐一体化，且有一定规模的真实广告库可检索时，AutoCut 的离散统一表示值得尝试。它的优势在于用短词元序列做全局推理，排序与脚本质量在报告中最佳，且部署成本估计远低于闭源接口管线，适合需要批量出片的场景。复现门槛在于需要先搭好解析、量化与检索渲染链路，而不是只调一个语言模型。

当需求是像素级改写、从零生成新镜头，或需要帧级情感控制时，应选扩散编辑或交互式生成路线，因为 AutoCut 明确不合成新像素。当候选池很小或品类很新时，检索上限会先成为瓶颈，此时模板或纯检索可能更稳。教学上最易误解的是把低词数差当成故事好，把音乐相似度 0.3475 当成绝对好听，前者只是时长对齐，后者只是与真实音乐的描述相似度，都需结合人评的 5 维胜率一起读。总体上论文支持的判断是离散化为可控剪辑提供了可行基础，待验证的是更紧的音画同步与更细的情感控制。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

另有 7 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 cvpr-2026 论文汇总