Trajectory Forcing: Structure-First Generation with Controllable Semantic Trajectories¶

会议: ECCV 2026
论文: ECCV 2026 官方页 / 项目页
领域: 图像生成
关键词: 轨迹级生成, 语义层级, 一步流匹配, 中间状态编辑, 表示空间生成

一句话总结¶

Trajectory Forcing（TF）把扩散/流模型里那条不可见的去噪轨迹改写成一条显式的语义粗到细路径（物体/背景 → 部件 → 子部件 → 细节），每一层都用共享的 RAE 解码器渲染成可看的图、可以在中途编辑后让模型接着往下生成，且每层只花一次网络评估（L=4 NFE）；在 ImageNet 256×256 类条件生成上训练 80 epoch 即达到 FID 1.98 / IS 261.6。

研究背景与动机¶

扩散与流模型已经能生成很漂亮的图像，但它们的可控性至今基本是端点式的：用户给定条件（类别、文本、参考图），拿回一张最终图，中间发生了什么完全不可见。中间状态并非不存在——去噪本身就会经过它们——但它们没有被设计成供人理解和干预的对象，而是生成结束后就被丢弃的计算副产物。这一点与人类作画的习惯恰好相反：无论是美术训练中被反复强调的"先定大形和色块、不要一开始就抠细节"，还是 Fig. 3 里的 speed painting 示例，创作过程天然是粗到细的，且每一步中间稿都是可以拿起来端详、比较、涂改的。本文正是从这个反差出发，追问一句：生成轨迹本身能不能被做成可读、有语义、可编辑的？

已有工作其实已经在利用轨迹结构了，只是都把它当作优化最终图像的手段。Diffusion Forcing 给不同 token 分配独立的噪声水平，从而在序列数据上"允许"各种生成顺序；DeCo 把像素扩散沿频率分解，让主网络专攻低频语义、轻量解码器补高频；Latent Forcing 用两套时间表同时扩散自监督潜特征与像素，让潜结构先出现、像素细节后补，而这些潜特征生成完就被丢弃；Next Visual Granularity（NVG）则在 VQ-VAE 潜空间里做自底向上聚类，把图像拆成粒度层级再逐层自回归预测。它们共同的处境是：中间状态要么是隐式的，要么是一次性的。这里的核心矛盾在于，要让中间状态真正变成"用户界面"，它必须同时满足两个通常互相冲突的条件——有语义（人一眼能认出这层是物体轮廓还是某个部件）和可解码（人能真的把它渲染出来看）。像素空间做不到，因为外观、布局、身份纠缠在一起；VQ-VAE 也做不到，因为它的层级由贪婪的二分裂（k=2）和潜空间分辨率共同决定，深度被 1+log2(16×16)=9 这样的分辨率公式锁死，切出来的中间层没有清晰的语义分组（Fig. 2 的对比）。更麻烦的是，一旦把生成拆成 L 个阶段，逐阶段多步去噪会让推理代价从 T 次评估暴涨到 L×T 次。

本文的切入角度是找一个"语义几何"与"可解码性"同时成立的载体：在预训练视觉表示（DINOv2）的特征空间里，语义因素（物体身份、部件结构、空间布局）本来就分得比较开，表示对齐假设意味着一层朴素的无监督聚类就能稳定恢复出物体-部件-子部件的分解；而 Representation Autoencoder（RAE）已经训练了解码器，可以从 DINOv2 特征直接重建图像，于是这个空间里任意一点都是可视的。再加上每层只用一步流匹配（MeanFlow/iMF 一脉）而不是多步去噪，层级数就与去噪步数彻底解耦。核心 idea：把生成轨迹当成一等公民来建模——用无监督聚类得到的语义层级当教师，训练一个跨层共享、以前一层输出为条件的单步流模型，使每个中间状态都语义可读、可解码、可编辑，并把"编辑影响范围"和"跨层结构一致性"做成可量化的指标。

方法详解¶

整体框架¶

TF 要解决的问题可以一句话概括：让"噪声 → 图像"这条路径长出一串人能看懂、能动手改的语义台阶。整体流程是：训练时取一张真实图像抽 DINOv2 密集特征，用无监督的层次聚类得到"物体/背景 → 部件 → 子部件"的教师层级，并把每个 token 替换成它所属区域的平均特征，得到一组从粗到细的层级画布作为每层的去噪目标；然后训练一个在所有层之间共享的 DiT 单步流模型，每次随机抽一层 l，以前一层画布 \(z^{(l-1)}\) 为空间条件、以层号 l 为全局条件，一步预测出该层的干净画布。推理时方向反过来：从 l=0 的纯噪声开始，逐层向下生成到最细层 l=L−1（即原始特征分辨率），每层一次网络评估，总共 L=4 次；每一层的输出都可以立刻用 RAE 解码器渲染成图，用户若在某层做了修改，就只把被改层之后的部分重新生成一遍。与 NVG 那类逐层多步的层级生成相比，TF 的推理代价从 184 NFE 降到 4 NFE，而且不需要训练定制的多粒度 VQ-VAE。

关于名字里的 "forcing"：⚠️ 原文没有单独给它下定义，以下是我按上下文和引用谱系的理解。一层含义来自 Diffusion Forcing / Latent Forcing 那条线——那些方法通过给 token 分配不同噪声水平来"允许"某种生成顺序；TF 反过来把顺序强行固定成语义粗到细，不给模型自由选择的机会。另一层含义在训练侧：结构损失把每一层的预测显式"逼"向教师给出的区域均值，相当于给中间状态一路扶着走（teacher forcing 的意味），这也解释了为什么每一层都能用单步完成——目标本身被约束得足够简单。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入图像 → DINOv2 密集特征"] --> B["教师层级与层级画布"]
    B -->|"区域均值目标"| C["层级条件的一步流匹配"]
    B -->|"结构监督"| D["结构损失"]
    C --> D
    D -->|"训练完成"| E["层级采样与轨迹级编辑<br/>L=4 NFE，改 l* 层后仅重生成下游"]
    E --> F["轨迹级指标<br/>LIS 与 PMR"]
    E --> G["RAE 解码输出"]

关键设计¶

1. 教师层级与层级画布：先造出"中间状态"该长什么样，而且不依赖任何人工标注

如果中间状态要有语义，就得先回答"哪一层对应什么语义"，本文的答案是让数据自己说：在 DINOv2 的密集 token 特征上跑无监督聚类，得到一个所有样本共享、深度固定的层级，每个 token 拿到一个三元组索引（物体/背景，部件，子部件）。最粗一层只用 K-means（K=2）分成两块，再用一个很朴素的中心先验把平均位置更靠近图像中心的那一块定为物体、另一块定为背景——这为后续更细的分解提供了基础。部件与子部件只在物体内部的 token 上做凝聚聚类，距离函数把语义与空间黏在一起：

\[\mathcal{D}(i,j)=\cos\!\left\langle \mathbf{z}_i,\mathbf{z}_j\right\rangle+\alpha\left\lVert \mathbf{p}_i-\mathbf{p}_j\right\rVert\]

其中 \(\mathbf{p}_i\) 是 token \(i\) 归一化后的空间坐标，\(\alpha\) 控制空间正则的强度。加这一项的目的是避免"语义相近但隔着半张图"的 token 被聚到一起，让每个簇在空间上连成一片。从聚类树（dendrogram）上按两个预先设定的距离阈值切一刀就得到两层粒度：阈值高的一侧（0.65）切出更细的子部件，阈值低的一侧（0.35）切出更粗的部件。

拿到层级后，每一层的去噪目标是这样构造的：除最细层外，每个 token 都用它所属区域的平均特征替换，最细层保持原始特征。

\[z^{(l)}_i=\boldsymbol{\mu}^{(l)}_{R^{(l)}_i},\qquad \boldsymbol{\mu}^{(l)}_k=\frac{1}{|R^{(l)}_k|}\sum_{j\in R^{(l)}_k}\mathbf{z}_j\]

于是这组画布天然构成一条从"分片常数"到完整潜特征的语义轨迹：l=0 是物体/背景两色的色块图，l=1 出现部件，l=2 出现子部件，l=3 回到真实细节。这里体现了 "structure-first" 的确切含义——不是先跑一个结构分支再跑一个外观分支，而是在同一个 DINOv2 特征空间里逐步"去量化"：粗层的区域划分（谁在哪）先行确定，区域内部的逐 token 变化留到细层补。这也解释了为什么粗层画布虽然分片常数、解码出来却已经有明确的语义内容——区域均值本身就携带该区域的语义与颜色。

2. 层级条件的一步流匹配：把"上一层"塞进通道维，让层级数不再乘以去噪步数

多阶段生成最现实的代价是推理成本：逐层多步去噪需要 L×T 次网络评估。TF 的做法是每一层只做一次评估，把流模型的平均速度场当作"从噪声直接跳到该层目标"的搬运工。具体到实现，主干是一个在所有层之间共享的 DiT，训练时每个 batch 元素均匀随机抽一个层号 l，网络除了常规条件 c（类别标签 y、时间区间 [r,t]、训练期采样的引导系数 ω，iMF 把它们统一在训练里做 CFG）之外，还额外接收三样东西：加噪后的当前层画布 \(z^{(l)}(t)=(1-t)z^{(l)}+t\epsilon\)、上一层画布 \(z^{(l-1)}\)、以及层号 l。l=0 时上一层条件直接置零，于是最粗层退化成"仅由类别条件驱动"的无条件生成，这与"从零开始定大局"的直觉一致。

这里有一个工程上值得记的取舍：iMF 原版给出的是 in-context 条件方式，把条件 token 直接拼到输入序列后面让注意力去看，代价是序列长度翻倍。TF 改为通道维融合——两份输入各自嵌入到 D 维、拼成 2D 后用一层线性层投影回 D，序列长度保持不变。层号 l 则走一张可学习的嵌入表，和类别嵌入、引导嵌入一起作为额外的条件 token 注入。生成目标的参数化沿用 pixel MeanFlow 的 x-prediction 思路：网络直接预测去噪后的潜特征 \(\hat{\mathbf{x}}_\theta\)，平均速度由 \(u_\theta=(z^{(l)}(t)-\hat{\mathbf{x}}_\theta)/t\) 反解，再按 iMF 的方式构造复合预测 \(V_\theta=u_\theta+(t-r)\cdot\mathrm{JVP}_{\mathrm{sg}}\) 去回归引导速度。之所以在 DINOv2 空间里 x-prediction 特别自然，是因为流形假设在这里有个现成的落点：去噪输出就落在"结构化表示流形"上，比回归噪声速度场好优化得多。

3. 结构损失：给中间状态加一道"必须像教师"的硬约束

单步从噪声跳到"物体/背景两块色块"这种分片常数的目标，单靠流损失并不算容易——模型很容易在这一步就把细节糊进去，导致层级之间的语义差异被抹平。结构损失针对的正是这一点：对每个 token，惩罚它的预测与所属区域的目标均值之间的偏差，用的是平方余弦距离。

\[\mathcal{L}_{\text{struct}}=\frac{1}{K_l}\sum_{k=1}^{K_l}\frac{1}{|R^{(l)}_k|}\sum_{i\in R^{(l)}_k}\left(1-\cos\!\left\langle \hat{\mathbf{x}}_{\theta,i},\ \boldsymbol{\mu}^{(l)}_k\right\rangle\right)^{2}\]

（⚠️ 缓存里的公式抽取有错位，此处按原文文字描述"预测 token 与其区域目标均值的平方余弦距离"重建，系数以原文为准。）它只施加在 l ∈ {0,…,L−2} 上，最细层不施加，因为那一层本来就没有区域结构可依。\(K_l\) 是该层的有效区域数，λ 控制它在总损失中的权重，正文默认 λ=1。

这一项是整篇方法里最"forcing"的部分：它把"这一层应该长成什么样"从一句期望变成了可微的监督信号，等于用教师层级把每一层的语义身份钉住。它同时起了两个作用——保证粗层画布真的是分片常数的语义色块（否则用户看到的中间状态就退化成一张糊图），也让层级之间的父子包含关系在训练时就得到鼓励，而不是等到评测阶段才用 PMR 去发现结构漂移。

4. 层级采样与轨迹级编辑：改哪一层，决定改动传多远

推理时游戏规则很简单：l=0 从纯噪声生成，\(\hat{\mathbf{z}}^{(0)}:=\hat{\mathbf{x}}_\theta(\epsilon, l{=}0, \mathbf{0}; c)\)；之后每一层重新采一份噪声，以前一层的输出为条件生成 \(\hat{\mathbf{z}}^{(l)}:=\hat{\mathbf{x}}_\theta(\epsilon, l, \hat{\mathbf{z}}^{(l-1)}; c)\)。每层一次 NFE，总共 4 次；每层的输出立刻可以交给 RAE 解码器变成一张能看的图。

编辑就发生在这个"能看的图"上。用户在某层 l* 的中间结果上做修改，得到 \(\tilde{\mathbf{z}}^{(l\*)}\)，然后只把 l>l* 的层重新生成一遍，比 l* 更粗的层原样保留。论文给出两类互补的操作：特征编辑是把被选中区域的平均特征换成另一个区域（或另一张图）的特征，靠 DINOv2 空间里语义相近的内容落点相近这一性质，把源区域的语义身份搬到目标区域；形状编辑则不动特征、只改区域的边界归属，把相邻区域交界处的 token 重新指派，从而放大、缩小或改变某个部件的轮廓。

真正有意思的是这套机制自带的编辑作用域控制。因为生成是马尔可夫的（每层只看前一层），一次编辑只会向后传播：改得越粗，影响的下游阶段越多、语义后果越全局（比如换掉物体/背景划分，后面所有层的构图都要跟着变）；改得越细，效果就越局限在局部（改一个子部件的轮廓，几乎不动别处）。用户不需要理解模型内部，只要知道自己"在第几层动手"就能预判改动的波及面——这是 TF 相对端点式生成最实际的一处价值，也直接催生了下一节那套专门的评测指标。

5. 轨迹级指标：把"可控性"从定性描述变成两个可算的数

FID 这类指标衡量的是分布层面的生成质量，对"编辑是否只影响该影响的地方""跨层结构是否自洽"完全无感，而这两件事恰是 TF 的立身之本，所以论文自己造了两个指标。

第一个是 Latent Invariance Score（LIS），衡量一次编辑有没有波及不该动的区域：把被编辑的 token 位置标成 1 得到掩码 M，编辑前后重生成的结果里只取未编辑位置，算平均余弦距离。

\[\text{LIS}^{(\ell)}=\frac{1}{|\Omega_{\text{unedit}}|}\sum_{(i,j)\in\Omega_{\text{unedit}}}\left(1-\cos\!\left\langle \hat{\mathbf{z}}^{(\ell)}_{i,j},\ \hat{\mathbf{z}}'^{(\ell)}_{i,j}\right\rangle\right)\]

分数越低说明未被编辑的区域越"纹丝不动"。它在下游每一层 ℓ≥ℓ* 上分别计算，因此能看出编辑的影响是怎么随层级往下扩散的。

第二个是 Parent Misrouting Rate（PMR），衡量相邻两层之间结构有没有漂：理想情况下，一个子层的区域应该完整落在父层的某个区域里，如果它横跨了多个父区域，就说明结构漂了。做法是先按第 4.1 节的流程把两层的生成结果各自聚成区域，对每个子区域按空间多数票指定一个父区域，再由这个投票结果给每个 token 定义一个"期望父区域"，然后统计两件互补的事情——spatial PMR 是 token 在父层的实际区域归属与期望父区域不一致的比例（子区域是否被干净地包在单个父区域里）；feature PMR 则是 token 的特征离某个错误父中心的距离比离正确父中心更近的比例（生成是否把 token 的语义推离了它所属父区域的语义模态）。两者都是越低越好，且逐层对计算。

损失函数 / 训练策略¶

总目标是流损失与结构损失的加权和 \(\mathcal{L}=\mathcal{L}_{\text{flow}}+\lambda\mathcal{L}_{\text{struct}}\)，正文默认 λ=1（λ 的消融放在补充材料，正文未给数字）。流损失部分沿用 pixel MeanFlow 的配方：x-prediction + v-loss 参数化，网络输出 \(\hat{\mathbf{x}}_\theta(z^{(l)}(t), l, z^{(l-1)}; c)\)，复合预测 \(V_\theta\) 对引导速度 \(v_g\) 做回归，即 \(\mathcal{L}_{\text{flow}}=\mathbb{E}_{t,r,l}\lVert V_\theta-v_g\rVert^2\)，其中训练期就注入 CFG（iMF 的做法）使得推理时可以自由调引导强度而不必重训。

训练细节上，主干是 patch size 16×16 的 DiT（记作 TF/16），所有层共享同一套参数；优化器用 Muon，学习率固定 1e−2；ImageNet 上的默认设置是 λ=1、L=4 个层级。论文在主干之外还提供了一个可选的后训练阶段：用 Inception 空间的 Fréchet 距离损失（FD-loss）做后训练，主表里所有 "+FD-loss" 的行都来自这一步（⚠️ 该后训练细节在补充材料 App. A.1，正文只说它是在 Inception 空间做的后训练）。

实验关键数据¶

主实验¶

在 ImageNet 256×256 类条件生成上评测，每张图经 L=4 个单步阶段在 DINOv2 特征空间生成，中间输出用预训练的 ViT-XL RAE 解码器渲染，FID 与 IS 在 50k 样本上计算。下表从原表 1 中挑选了各类代表性方法。

方法	NFE	生成空间	参数量	训练轮数	FID↓	IS↑
JiT-L/16 (Heun)	100×2	pixel	459M	200	2.36	298.5
DeCo-XL/16	100×2	pixel	682M	320	1.90	303.0
LF-ViT/L (Heun)	50×2	pixel+DINOv2	465M	200	2.48	–
DiT-XL/2 (cfg=1.50)	250×2	SD-VAE	675M	1400	2.27	278.2
SiT-XL/2 (cfg=1.50)	250×2	SD-VAE	675M	1400	2.06	270.3
RAE+DiTDH-XL/2	50×2	DINOv2	839M	800	1.13	262.6
VAR-d20	250	VQ-VAE	600M	250	2.57	302.6
NVG-d20	184	VQ-VAE	497M	250	2.44	310.4
pMF-L/16	1	pixel	411M	320	2.52	262.6
iMF-M/2	1	SD-VAE	174M	640	2.27	–
iMF-L/2	1	SD-VAE	409M	640	1.86	–
TF-H/16 + FD-loss（本文）	4×1	DINOv2	1.1B	80	1.98	261.6

⚠️ 缓存表格里 TF-B/16 与 TF-L/16 的参数量都写成 177M、"带 FD-loss"的行写成 515M，疑为文本抽取时列错位（按规模推测 B/L/H 约为 177M/515M/1.1B），具体参数以原文为准。另外 TF 的 FID/IS 在 CFG 下计算，NFE 列的 "4×1" 表示 4 个层级各 1 次评估。

消融实验¶

FD-loss 后训练（同一模型、同一训练轮数下的对照）：

配置	NFE	FID↓	IS↑	说明
TF-B/16	4×1	7.93	221.4	80 epoch，无后训练
TF-B/16 + FD-loss	4×1	2.52	245.6	FID 降 68%，IS 只涨 24.2
TF-L/16	4×1	6.38	248.1	80 epoch，无后训练
TF-L/16 + FD-loss	4×1	2.02	259.3	FID 降 68%，IS 只涨 11.2
TF-H/16	4×1	5.97	256.8	80 epoch，无后训练
TF-H/16 + FD-loss	4×1	1.98	261.6	FID 降 67%，IS 只涨 4.8

轨迹级指标的行为（对应 Fig. 6，原图只给曲线、未给数值表）：

指标	定义	原文报告的观察
LIS（编辑不变性）	编辑后未被掩码 token 的平均余弦距离，越低越局部	呈现明确的层级依赖：改物体/背景层在最后一级的 LIS 最高，其次部件，再次子部件；坐标轴量级 0–0.20
Spatial PMR（子区域包含）	token 的父层归属与其子区域多数票父区域不一致的比例	逐层对计算，各层对都接近 0 → 子区域基本被单个父区域干净包含
Feature PMR（父语义模态）	token 特征离错误父中心更近的比例	略高于 spatial PMR，且随层数变深而上升（语义划分更细），但整体仍低；坐标轴量级 0–0.12

⚠️ 这两个指标只在 TF 自身上评测：论文明确说明没有基线方法能产出"语义区域级"的中间状态（NVG 用的是离散 token 上的二分裂，不存在区域结构），因此该表的数值只能说明 TF 内部的自洽性，不能横向比大小。结构损失权重 λ 的消融在补充材料，正文未给数字。

关键发现¶

在相同的 80 epoch 训练预算下，TF 的早期收敛明显更快。 原表 1 里同处 80 epoch 的小模型对照是 DiT-B/2（FID 43.47）和 SiT-B/2+REPA（FID 24.40），而 TF-B/16 已经到 7.93。这个对比是本表里唯一"训练轮数与参数量量级都对得上"的一组，最能支撑"粗到细轨迹 + 表示空间"在早期训练上的优势；反过来说，与跑了几百上千 epoch 的 RAE+DiTDH-XL/2（1.13）比 FID 并不公平也不占优。
FD-loss 后训练是单项增益最大的改动，且它对 FID 与 IS 的改善极不对称。 H/16 上 FID 从 5.97 降到 1.98（降约 67%），而 IS 只从 256.8 到 261.6。这说明它主要改善分布保真度，而 IS 更贴近类别置信度，两者并不总是同步。论文也在正文里明确表态：TF 的主要贡献不是刷 FID，而是轨迹级可控性——这张表里没有任何其他方法能提供同级中间状态。
模型规模的收益不加后训练时很有限，加了之后迅速饱和。 无 FD-loss 时 B→L→H 是 7.93 → 6.38 → 5.97；加后训练后是 2.52 → 2.02 → 1.98。三档规模只换来 0.5 左右的 FID 差，说明限制瓶颈更可能来自固定深度的层级与单步预测的建模能力，而不是参数量。
NFE 上的优势是结构性的。 同为层级/粒度式生成，NVG-d20 需要 184 次评估（9 个内容步 + 7×25 步 Euler），TF-H/16 只要 4 次；NVG 还额外依赖一个定制的多粒度 VQ-VAE，而 TF 直接在预训练 DINOv2 特征上工作，不需要任务专用的 tokenizer。
轨迹级指标给出了两条一正一反的证据。 LIS 随编辑层级变粗而系统性升高，证实"编辑作用域可控"这一说法在潜空间层面成立；spatial PMR 接近 0 说明子区域基本上落在单个父区域内。但 feature PMR 在深层（部件→子部件、子部件→最细层）上升，说明越往细粒度走，父区域的语义约束越弱——这与"每层只以前一层为条件"的马尔可夫设计是吻合的：粗层信息只能沿链间接传下来，中途会衰减。
共享解码器是经过论证的选择，不是省事。 论文特意说明不做逐层微调解码器有两个理由：一是共享解码器让各层的解码图落在同一个视觉空间里，用户才能拿第 l* 层的预览图与最终图做对比；二是层级画布本身就是特征空间里的分片常数抽象，根本不存在"中间层的真实图像"这种监督信号，逐层微调在构造上就不可行。

亮点与洞察¶

把一个评测难题转成了设计目标。 论文没有去和 FID 死磕，而是先承认"没有指标能衡量编辑可控性"，再自己定义 LIS 与 PMR。更聪明的地方是这两个指标不需要额外标注：LIS 只需要编辑掩码，PMR 只需要复用第 4.1 节那套现成的聚类流程。任何做"可编辑生成"的工作都可以照抄这个思路——把"改动是否只影响该影响的地方"变成一个可算的余弦距离。
表示空间的选择同时解决了两件事，这是整篇论文的支点。 DINOv2 特征既要"聚得开"（无监督聚类能恢复物体-部件-子部件），又要"解得回"（RAE 解码器能还原图像）。作者把这两个条件当成筛选载体的门槛，而不是事后找补——这也是它和像素空间方法、VQ-VAE 层级方法的根本分野。
层级数与去噪步数解耦，是让"多阶段"重新变得可用的关键。 只要每层还需要多步去噪，L 层的代价就是 L×T，层级越丰富越贵；TF 用每层一步把成本压到 L，于是"多加一层语义台阶"几乎不额外付出推理成本。这个 trade-off 的改写可以迁移到任何渐进式生成框架上。
通道维融合代替 in-context 条件，是一个低成本但必要的工程决定。 上一层画布与当前层加噪画布在通道维拼接再投影回原维度，既保留了前一层的信息又不让序列长度翻倍。做多阶段条件化时，凡是"条件"和"输入"形状对齐的场景都可以先试这一招。
马尔可夫链式条件既是优点也是缺点的来源，作者自己讲清了这一点。 它带来了可预测的编辑作用域（只向后传播），代价是粗层信息到细层只能沿链衰减地传递。这种"把设计的两面都写出来"的写法值得学。

局限与展望¶

层级本身不够稳，这是最实的短板。 层级来自固定深度的无监督聚类，物体/背景的切分依赖"更靠近图像中心的那块是物体"这一中心先验。对于主体不在画面中心、或压根没有单一主导物体的图像（风景、纹理、人群），第一层就可能切错，而错误的粗层会顺着链影响所有后续层。可行的改法是换更丰富的层级来源，比如用 SAM 3 这类概念分割模型，或按图像内容自适应地决定层级深度。
评测面偏窄，结论的外推要谨慎。 全部实验都是 ImageNet 256×256 的类条件生成，没有文本条件、没有其他数据集、没有分辨率变化；可控性只有潜空间指标（LIS/PMR）加补充材料里的解码空间检查，缺真实用户研究来验证"人是否真的能按预期操控轨迹"。此外 LIS/PMR 只在 TF 自身上评测，缺少对照，所以"层级编辑作用域可控"目前只能算自洽性证据，不算比较性证据。
论文自己承认结果还是早期阶段。 正文报告的是 40/80 epoch，更长的训练与规模分析都推到补充材料；FID 最好也只到 1.98，明显不如同期在 DINOv2 空间里训练的 RAE+DiTDH-XL/2（1.13，但代价是 800 epoch 与 50×2 NFE）。
单步预测承担了太多，粗层容易"提前细化"。 每层从纯噪声一步跳到目标，模型必须恰好落在那层的语义粒度上；结构损失在缓解这一点，但它只约束 token 与区域均值的偏差，没有约束区域之间的相对关系（比如部件之间的相对位置是否合理）。可以考虑在粗层再加一项区域间关系约束。
可改进的思路：把编辑作用域从"层级"扩展到"层级 + 空间掩码"的组合控制；用中间层做廉价的搜索（在 l=2 的候选里挑最好的再往下生成，比在像素空间做 best-of-n 便宜得多）；把同一套"结构教师 + 单步逐层"的配方搬到视频（时间上的粗到细：先运动轮廓后纹理）或 3D。

评分¶

新颖性: ⭐⭐⭐⭐ "把生成轨迹做成用户界面"这一转向是清楚的，层级构造与单步逐层条件的组合也确有新意；但"层级式生成"本身并非首创，与 NVG 的差异更多在载体与代价，而非全新范式。
实验充分度: ⭐⭐⭐ 主表覆盖了三类基线且口径交代清楚，FD-loss 对照与轨迹级指标的分析也扎实；但只有 ImageNet 256×256 一个设定、只报 40/80 epoch、λ 与规模消融都在补充材料，可控性指标又无基线可对照，实证厚度不足以完全支撑"轨迹级可控"这一核心主张。
写作质量: ⭐⭐⭐⭐ 动机链（人类作画的粗到细 → 中间状态为何必须是语义且可解码 → 载体选择）讲得很清楚，也主动交代了马尔可夫条件的代价与共享解码器的理由；扣分主要在关键公式在原文排版中错位较多、部分数值列存疑。
价值: ⭐⭐⭐⭐ 对做可控生成、交互式创作与渐进式生成的人是直接可用的思路，LIS/PMR 这套"把可控性量化"的做法可以独立迁移；但当前 FID 与设定范围决定了它更像一个方向的开篇而非可立即落地的系统。