通过仅编辑静态3D高斯模型，并引入基于分数distill的时序精炼，在保证高质量编辑效果的同时，将编辑时间缩短一半以上（例如，从2小时减至40分钟），实现了显著的效率提升。监督信号生成：如图3所示，仅选取第一时刻（t=0） 的多视角图像，使用 Coherent-IP2P（一种改进了自注意力为交叉注意力以提升视图一致性的模型）根据用户指令进行编辑，生成一组已编辑的2D监督图像。与原始的形变场直接组合

主线基础论文演进方向代表论文多视角生成MVDream通用→垂直领域MEAT（人体生成）视觉编辑→语义理解4D LangSplat（4D语言场）视频生成静态稀疏→动态稀疏AdaSpa（自适应注意力）镜头内→镜头间Long Context Tuning（场景级）注意力→替代方案ΔConvFusion（卷积替代）、ViT-Linearizer（线性模型）

对比了三种范式：(a) 每帧独立3DGS（质量高，成本巨大），(b) 典型4DGS（单一规范空间+运动估计），(c) 可流式4DGS（将高斯编码为2D图像）。如图1所示，以第一帧为关键帧，到第25帧时，画面中人物的手部细节严重模糊，PSNR显著降低。视觉对比显示，AirGS在动态场景（如挥动的手）中能清晰重建细节，而基线方法（如4DGS、V³）出现明显的模糊和伪影。在训练和预览渲染中统计每个高斯被

则利用其属性在时间维度上的连续性，将量化后的数据重塑为2D图像序列（类似视频帧），然后利用成熟的视频编码器（H.264）进行高效压缩。，其最终高斯数量与预设目标的误差稳定在2%以内（如图7的收敛曲线所示），并能智能分配静态与动态部分的比例。：直接量化移除该高斯会导致的渲染图像质量下降（光度残差）、该高斯在屏幕上的覆盖面积，以及其在各训练视角下贡献的一致性。，将更多的高斯“配额”分配给复杂的动态区域

当今世界模型披着的华丽外衣

肖像视频生成在游戏、影视、教育等领域应用广泛，当前行业对更真实的动画效果和更快的生成速度需求日益迫切。现有方法主要存在两大路径局限：一呢，依赖3DMM、人脸关键点等人工设计的显示运动表征（容易丢失细颗粒度运动，场景适应度差，仅仅适用于特定面部场景）；二是基于预训练视频生成模型做适配（时空注意力计算量大、多步去噪流程导致推理效率低，形成生成瓶颈）。本文从“视频运动存在大量冗余可以压缩”和“自监督表征