中国科学技术大学和京东探索研究院提出OmniVR，用一个22B参数音视频生成模型同时修复历史影片。输入里的模糊、噪点、闪烁、低曝光、嘶声、削波和声音缺失，会在统一扩散过程中处理，而不是先修画面、再接独立音频工具。
团队还建立OmniVRBench，收录200段真实历史影片：129段没有干净参考，71段受控退化片段保留参考。OmniVR在论文报告的六项无参考视觉指标上全部优于对比方法，并取得最佳音频质量结果。
论文图1：模型把低质量视频与音频作为条件，在同一生成骨干中恢复画面细节、颜色和声谱。
分开修复容易把两条时间线拆散
传统方案可以用视频超分辨率锐化画面，用音频修复器减少嘶声，但两套模型各自优化，无法利用嘴部动作与语音、镜头节奏与声学事件之间的对应关系。单独上色还可能在帧间改变色调，单独去噪也不会检查口型同步。
论文图2：真实片段中视觉和声学缺陷经常同时出现，单模态质量还可能严重失衡。
OmniVR基于LTX-2的联合音视频生成骨干，把低质量音画编码成条件，再共同去噪目标潜变量。首帧图像作为长视频锚点，波形监督约束音频细节，损失重加权则避免某一种退化压过另一种。
没有足够成对老电影，就先合成损坏过程
真实档案很少同时保存“受损版”和“干净原版”。团队从互联网收集较干净视频，随机加入模糊、噪声、闪烁、压缩、灰度化以及多种音频缺陷，合成训练对；模型由文字生成音视频逐步转成“低质量音画到修复音画”。
论文图3：视频与音频先分别编码，再作为联合条件进入多模态扩散Transformer。
受控轨道只有说话人片段，因为口型同步指标需要清晰、连续的嘴部区域。真实轨道更广，包括人物、风景、群众和新闻纪录片，但没有干净参考，只能依靠无参考质量指标与人工偏好评价。
论文图4：联合退化管线同时制造画面模糊、噪声、灰度变化和声学缺陷。
修得更“好看”不等于还原历史原貌
没有干净参考时，生成模型可能补出原片不存在的纹理和颜色。无参考指标偏好更锐利、更干净的画面，也无法单独证明历史真实性。极端缺帧、重剪切仍会造成时间漂移，固定窗口推理也难保留长距离叙事关系。
因此，OmniVR更适合被理解为一套联合生成式修复方法和评测起点。用于档案保存时，仍需保留原始素材、标注生成改动，并由修复人员检查模型补出的内容。
