一句话结论
Reangle-A-Video 把单目视频的 4D 重演拆成“多视角首帧外观 + 视点鲁棒运动”，以每场景约 1 小时 CogVideoX-5B LoRA 微调和 $S=25$ 的多路径首帧 inpaint 换取静态新视点与动态相机控制；它是相机重定向/多视角生成，不是常规语义视频编辑或视频理解。
输入、输出与方法
- 输入 49 帧、$480\times720$ 单目真实视频；输出多个同步的新视角视频。
- 静态视角迁移：固定目标相机重演原运动；动态相机控制：按文字指定 pan/orbit/dolly 等相机运动。
- Depth Anything V2 把每帧提升为点云，再投影成 $M$ 个 warped videos 与可见 mask。
- CogVideoX-5B 的 3D full-attention 挂 rank-128 LoRA，用 masked diffusion loss 从单场景学习视点鲁棒运动。
- 静态模式用 FLUX inpainting ControlNet 补 warped 首帧；每步从 25 条随机路径中以 DUSt3R/MEt3R 类一致性 reward 选候选。
- 不生成新的对象动作，不测问答/因果理解；FlowEdit 首帧扩展只是一项定性例子。
数据、指标与人评
- 28 个公开视频，平均每个 3.5 个目标视点/运动，共 98 个输出；共享源视频使独立样本数仍接近 28。
- VBench 测主体/背景/闪烁/运动/画质，FID/FVD 测分布距离，MEt3R 测多视图一致性。
- 36 人比较目标视点/相机运动准确与源运动保持；正文未给可机器复核的精确比例、置信区间或显著性。
- 缺相机轨迹误差、关键点/动作相位、face/instance identity 与遮挡恢复指标。
主要结果
静态任务相对 Vanilla CogVideoX：MEt3R 0.0412 vs 0.0539、FID 53.448 vs 79.621、FVD 2690.9 vs 3664.2；但 Background Consistency 0.9327 vs 0.9398、Imaging Quality 0.6414 vs 0.6475 略低，并非全指标领先。
动态任务相对 NVS-Solver / Trajectory Attention：MEt3R 0.0648 vs 0.1090/0.0965，FVD 3019.7 vs 3516.5/3624.9；Dynamic Degree 0.8884 与 0.8889 基本持平。
消融与成本
- stochastic control 使首帧 MEt3R 0.1431→0.1184、SED 1.1966→1.1844、TSED 0.5241→0.5588。
- warped-video augmentation、留出视角和 appearance-edited first frame 只有定性/有限人评证据。
- LoRA 400 steps、AdamW、lr $10^{-4}$、weight decay $10^{-3}$；可训练参数约底座 2%。
- 单场景微调约 1 小时，A100 40GB、gradient checkpointing；视频 40-step sampling，静态首帧另做 50-step、25 路搜索。
- 未报告单输出时延、Stage III 时间、总 GPU-hours、能耗或运行方差。
关键局限
- 深度/相机约定/warping 误差直接限制首帧，输出质量不能超过首帧。
- 每个场景都需微调，非实时、非一次训练后通用。
- 只有 28 个短视频，无真实标定轨迹、长视频、镜头切换与复杂遮挡。
- MEt3R 类信号参与候选搜索，又用于评价，需独立几何 evaluator 复核。
- motion/subject consistency 只能间接支持身份与动作保持，不能推出场景理解。
对当前 Wiki 判断的影响
- 对 视频生成：提供“per-scene video-to-multi-view-videos translation”替代大规模 4D foundation training 的证据。
- 对 扩散模型：展示 scene LoRA + inference-time search 的成本转移，而非免费复用。
- 对 视频编辑理解 与 benchmark 问题：相机重定向、identity、语义编辑与理解必须分开评测。
证据评级
B（短视频相机重定向/多视角同步生成的直接工程证据；对身份编辑与视频理解为 C-/无直接证据）。