浙江大学团队提出Beyond Pixels：视频DiT隐变量直接生成动态4D场景

浙江大学等机构研究人员提出Beyond Pixels框架，直接将视频DiT最终去噪隐变量转换为动态4D场景，跳过RGB解码与独立重建；框架仅用约1K条重建视频训练，同一检查点可接入三种Wan模型。该方法为视频生成模型连接4D重建提供统一接口，并可继承运动、外观和轨迹控制能力，但依赖共享VAE规范，现有指标也不等同于度量级4D精度。