论文导读
哈尔滨工业大学、阿里巴巴集团淘宝提出ZoomDiff，专门处理双摄设备在广角和长焦镜头之间切换时的几何跳变、颜色偏移和细节模糊。方法在潜空间和像素空间同时使用两个镜头的画面，在合成与真实数据集上都报告了定量和定性优势。
两个镜头看的不只是大小不同
双摄变焦看起来像把一张广角图逐渐放大，实际上两个摄像头有不同的光心、视场和成像特性。近处物体在两幅图里的相对位置差异更大，镜头间的曝光与颜色也可能不一致。如果只用普通帧插值在两张图之间补帧，物体边缘容易双影、拉伸或突然变色。
现有双摄平滑变焦方法会在专用数据上微调帧插值模型，但面对大视差和复杂几何变换仍然吃力。扩散模型的生成先验能补全画面，可若条件信息不够强，它也会生成看起来合理、却与两个真实镜头都对不上的细节。
图：Figure 4对比不同多尺度特征注入设计，黄框标出草地、墙面和包装图案的细节差异。
潜空间管结构，像素空间补细节
ZoomDiff在多步去噪过程中同时强化两张输入图的条件引导，让生成的中间帧持续受制于广角和长焦两个端点。潜空间负责生成结构一致的过渡，但VAE编码会丢失高频纹理。团队因此将经光流对齐的多尺度编码特征直接注入解码器，恢复文字、纹理和窄边缘。
另一个难点是连续帧间的颜色与亮度稳定。单帧看起来很清晰，连起来仍可能闪烁。ZoomDiff用光流引导的时序一致性监督约束相邻帧，将过渡期间的颜色漂移与亮度变化一起压低。
未来应用：真实场景里，边缘和小图案最容易露馅
论文在合成和真实双摄数据集上与光流帧插值、扩散帧插值等方法对比。合成场景能提供准确中间帧作为真值，用来测量几何和纹理误差；真实场景则检查模型面对相机曝光、噪声和大视差时的画面质量。论文报告ZoomDiff在两类数据上都定量、定性优于对比方法。
图：Figure 6将光流和扩散类方法与ZoomDiff、真值并排，黄框标出双摄过渡中的几何拉伸和模糊细节。
真实场景对比中，护栏、建筑边缘和包装上的小字等局部最能暴露差异。这些定性图能说明画面中可见的伪影与细节保留，却不能单独代替视频整体稳定性的数值评估。
图：Figure 8对比真实双摄场景中多种方法的中间帧，黄框聚焦建筑边缘和细小纹理。
论文展示的是数据集上的双摄平滑变焦方法，没有说明ZoomDiff已经集成到某款商用手机。真正产品化还要同时满足手机端延迟、功耗、摄像头校准误差和复杂动态场景。下一步的核心问题，是在可交互的计算预算内保留这种细节与时序一致性。
