新研究：物理感知图像编辑，用潜空间转移先验让静态图像动起来

这篇「评测」测什么？

严格说这不是传统 benchmark——它是一篇 CV/Generative AI 研究论文，提出了一个 物理感知图像编辑 方法论：输入一张静态图，输出一个「物理合理」的动态版本（物体按应有规律运动，而非随意形变）。核心技术路径是 Latent Space Transfer Prior：在 VAE 或 Diffusion latent 空间里找到「静止」与「运动中」状态的映射关系，以此作为先验驱动变换。

从技术报告推断，其隐含评测维度包括：

• 物理合理性：重力、碰撞、弹性等物理规则是否被遵守
• 视觉质量保持：动态化后原始图像特征（纹理、颜色、主体）的保留程度
• 运动多样性：同一静态图能否产生多种合理运动结果

方法论质疑

作为研究原型，该工作存在几个需要追问的地方：

1. 评估数据集代表性不明。论文展示的 demo 质量取决于选择哪些静态图。如果用的是高度结构化、背景干净的目标（如标准物体数据集），泛化到互联网真实图片（光照复杂、