從單段參考視頻出發，為同一動態場景合成多個不同視角的視頻，是一項頗具挑戰的任務：模型不僅要重建參考視角中已觀測到的內容，還必須在其他視角下合理地推斷出從未被看到的區域，並且保證這些內容在時間與空間上都彼此一致。現有的視頻擴散相機控制方法大多從網絡架構入手，例如引入相機嵌入、跨視角注意力或幾何條件約束。這些手段在處理靜態場景時表現尚可，但面對精細而快速變化的動態幾何時往往力不從心，難以讓同一物體在不同視角、不同時刻保持連貫的形態。
Qualcomm AI Research 的 Farhad G. Zanjani 等作者提出的 SyncVid 嘗試換一個切入點：與其在網絡結構上添加約束，不如直接同步擴散過程本身。傳統做法是在每個 2D 圖像平面上獨立採樣高斯噪聲，各視角之間天然缺乏關聯；SyncVid 則把噪聲先驗採樣到由源視頻推導出的規範 3D 空間中，再將其光柵化到各個目標相機視角。換言之，隨機性的產生位置從相互獨立的圖像平面，轉移到了一個共享的世界座標系中。
在具體實現上，該方法先將單目視頻提升為規範的 4D 表示，使噪聲與場景幾何以及尚未觀測的空間建立關聯，隨後把這種結構化噪聲渲染到任意目標視角。由於渲染過程本身可能引入局部相關性，研究團隊進一步設計了跨視角一致的 whiten（白化）流程：它對相鄰像素進行去相關處理，同時保留不同視角之間的對應關係，從而避免噪聲在渲染後失去應有的統計特性。
處理後的結構化噪聲被用作擴散先驗，驅動一個經過 LoRA 適配的預訓練視頻擴散模型。這一設計的顯著優勢在於無需對原有架構做任何修改，從而可以直接複用已有的強大視頻生成骨幹網絡。通過在隨機性的源頭施加時空與跨視角一致性，SyncVid 能夠生成彼此同步的多視角視頻。實驗顯示，該方法在感知質量與跨視角一致性兩方面均有提升。
該論文提交於 2026 年 10 月 22 日，共 28 頁、8 幅圖、9 張表，屬於計算機視覺與模式識別方向，並提供了項目主頁供讀者查看演示與更多結果。