面向生成式中间帧合成的目标条件适应与语义—几何对齐

基于摘要分析。本文研究在起始帧与目标帧之间生成时间连贯的中间视频帧，提出 DSG-GI，通过目标条件适应和语义—几何对齐改造预训练潜空间视频扩散模型，缓解大位移、非刚性运动条件下偏离目标帧或运动不稳定的问题。研究对象是视频生成，并非 EEG/BCI 解码。 机制上，Destination-Conditioned Adaptation 将目标帧视为生成序列的终点，沿生成轨迹提供随时间推进的引导。Semantic-Geometric Alignment 则将骨干特征逐 token 的时空关系几何与冻结视频基础模型编码器的对应关系几何对齐，并对概率路径中接近数据端点的样本施加考虑 flow matching 的潜空间流约束。摘要未给出这些约束的具体公式、权重、训练调度或推理实现，尚不能确定各组件的独立贡献。 作者报告，在标准及大运动中间帧合成基准上，方法改善了时间稳定性、目标帧忠实度和感知质量；但摘要未列出基准名称、指标数值、数据划分与对照基线，实验协议、消融及统计信息尚未验证。作者表示代码将公开，当前材料不能确认代码已发布。 平台推测（待验证）：目标端点引导与时序关系对齐可能为具有已知终点条件的神经信号生成或补全任务提供假设，但视频特征几何不能直接视为 EEG 的有效表征。迁移需重新定义终点条件、适配多通道信号表示并验证教师编码器的适用性；低信噪比、跨被试差异和小数据可能削弱对齐效果。现有材料不足以建立具体 BCI 机制对应，暂不据此提出复现实验方案；相关 EEG 工作尚未检索确认。