1. 背景： AutoEncoder / Tokenizer
现代生成模型很少直接在像素空间生成完整图像或视频。更常见的做法是先把图像或视频压缩到一个潜空间，然后让 diffusion、DiT 或 autoregressive transformer 在潜空间里建模，最后再通过 decoder 还原成图像或视频。
传统流程是：
图像 / 视频
↓
AutoEncoder / Tokenizer 编码
↓
latent / token
↓
Diffusion / Transformer 生成
↓
Decoder 解码
↓
图像 / 视频因此，AutoEncoder / Tokenizer 决定了生成模型“看见什么信息”和“在哪个空间里学习生成”。
如果潜空间质量差，即使后面的 DiT 或视频生成模型很强，生成结果也会受到限制。 如果潜空间语义强、信息保留充分、时序结构稳定，生成模型会更容易学习到高质量图像或视频。
这就是 RAE、RAEv2、Causal 3D VAE、Cosmos Tokenizer 这些方法的重要性。
2. 从 VAE 到 RAE：潜空间从“压缩空间”变成“表征空间”
2.1 传统 VAE 的作用
在 Stable Diffusion、DiT 等 latent diffusion 模型中，传统 VAE 通常承担图像压缩器的角色。
基本过程是：
$$ z = E_{\text{VAE}}(x) $$$$ \hat{x} = D_{\text{VAE}}(z) $$其中：
x：输入图像 z：VAE latent E：编码器 D：解码器 $x_\text{hat}$：重建图像
VAE 的优势是：
1. 能把高分辨率图像压缩到低维 latent
2. 降低 diffusion 模型的训练和采样成本
3. latent 空间相对连续，便于生成但是传统 VAE 也有明显问题：
1. latent 维度低，信息容量有限
2. encoder 主要靠重建任务训练，语义表征能力弱
3. 重建会损失细节
4. 对 DiT 这类强 backbone 来说，VAE latent 可能成为瓶颈VAE 更像一个“图像压缩器”，它关心的是怎么把图像压小并还原回来，但它未必能提供足够强的语义表示。
3. RAE：Representation AutoEncoder
RAE 的全称是：
Representation AutoEncoder它的核心思想是：
用已经训练好的强视觉表征模型作为 encoder，再训练一个 decoder，让生成模型在更强的视觉表征空间里工作。
RAE 的结构是：
图像 x
↓
冻结的预训练视觉 encoder
例如 DINOv2 / SigLIP / MAE
↓
高维 representation latent z
↓
训练一个 decoder
↓
重建图像 x_hat公式是：
$$ z = E_{\text{rep}}(x) $$$$ \hat{x} = D_\theta(z) $$其中：
E_rep：冻结的视觉表征 encoder
D_theta：需要训练的 decoder
z：高维语义 latent
x_hat：重建图像RAE 的关键变化是：
传统 VAE：用重建训练出来的 encoder 作为压缩器
RAE：用 DINO / SigLIP / MAE 这种强视觉表征模型作为 encoder所以 RAE 的潜空间不再只是压缩空间，而是语义表征空间。
4. RAE 的重要性
RAE 的核心判断是：生成模型的瓶颈不只在 diffusion backbone，也在 autoencoder 的 latent 质量。
过去很多工作都在改 diffusion backbone，例如从 U-Net 到 DiT，从普通 attention 到更大的 transformer，但底层 latent 仍然常常使用传统 VAE。
RAE 认为，如果生成模型在弱 latent 上学习，即使模型规模很大，也会受到信息瓶颈限制。
RAE 的改进方向是：
1. 用更强的视觉表征 encoder
2. 保留更多语义和结构信息
3. 提供更高维、更丰富的 latent
4. 让 DiT 在 representation latent 上生成可以把 RAE 理解为：把 latent diffusion 的潜空间从低维压缩空间升级成高维视觉表征空间。
5. RAE 的训练流程
5.1 第一阶段：训练 decoder
encoder 是冻结的，只训练 decoder。
输入图像 x
↓
冻结 encoder 得到 z
↓
decoder 重建 x_hat
↓
计算重建损失
↓
更新 decoder伪代码：
for x in dataloader:
with torch.no_grad():
z = encoder(x)
x_hat = decoder(z)
loss = reconstruction_loss(x_hat, x)
loss += perceptual_loss(x_hat, x)
loss += adversarial_loss(x_hat, x)
loss.backward()
optimizer.step()常见损失包括：
1. L1 / L2 重建损失
2. LPIPS 感知损失
3. GAN loss这里的关键是：encoder 冻结，decoder 学会从强视觉表征中还原图像。
5.2 第二阶段：在 RAE latent 上训练 DiT
训练好 RAE 后，可以用它来构建 diffusion / DiT 的潜空间。
流程是：
图像 x
↓
RAE encoder 得到 latent z
↓
对 z 加噪
↓
DiT 学习去噪 / flow matching
↓
生成 latent
↓
RAE decoder 解码成图像伪代码：
for x in dataloader:
with torch.no_grad():
z = encoder(x)
z = normalize(z)
t = sample_timestep()
noise = torch.randn_like(z)
z_t = add_noise(z, noise, t)
target = get_training_target(z, noise, t)
pred = dit(z_t, t, condition)
loss = mse_loss(pred, target)
loss.backward()
optimizer.step()采样时：
随机噪声 latent
↓
DiT 逐步去噪
↓
得到生成 latent
↓
RAE decoder 解码
↓
生成图像6. RAE 的关键技术点
6.1 高维 latent 带来的问题
RAE latent 通常比传统 VAE latent 高维很多。
传统 VAE latent 可能是：
4 × H/8 × W/8RAE latent 可能是：
768 × H' × W'
1024 × H' × W'这带来一个问题：
latent 更强，但 DiT 更难建模。如果直接把原来的 DiT 套到 RAE latent 上，训练可能不稳定，收敛困难，效果甚至变差。
6.2 DiT width 需要匹配 token 维度
RAE latent 的 token 维度很高，如果 DiT 的 hidden dimension 太小，会形成信息瓶颈。
直观理解：
RAE token 是 768 维
DiT hidden dim 如果只有 384
模型一开始就压缩信息
训练会变困难因此，RAE 需要让 DiT 的宽度和 token 维度匹配。
设计原则：
DiT hidden dimension ≥ RAE token dimension6.3 噪声调度需要适配高维 latent
传统 diffusion 的噪声调度多为低维 VAE latent 或像素空间设计。
RAE latent 维度更高，通道更多，同样强度的噪声在高维空间中的作用会发生变化。
因此 RAE 需要使用和 latent 维度相关的噪声调度调整。
直观理解：
latent 维度变了
噪声强度和信噪比也要重新调整否则模型可能在训练中遇到信噪比失衡问题。
6.4 Decoder noise augmentation
RAE decoder 第一阶段主要从干净 latent 重建图像。
但 diffusion 生成出来的 latent 不可能完全干净，会带有一定误差。
如果 decoder 只见过 clean latent，它可能对 diffusion 输出的 noisy latent 很敏感。
所以可以在 decoder 训练阶段加入 latent noise augmentation：
z_clean = encoder(x)
z_noisy = z_clean + noise
x_hat = decoder(z_noisy)这样 decoder 能适应带噪 latent，提高生成阶段的稳定性。
6.5 DDT Head
RAE latent 维度高，如果把整个 DiT 主体都加宽，计算成本会很高。
因此可以使用一个浅而宽的输入/输出 head 来适配高维 latent。
直观理解：
宽 head 负责接收高维 RAE token
主体 DiT 负责核心建模
输出 head 再映射回 latent 空间这样可以在增加表达能力的同时控制计算量。
7. RAE 的创新点总结
RAE 的创新可以总结为五点：
1. 用预训练视觉表征 encoder 替代传统 VAE encoder
2. 把 latent 从压缩空间升级为语义表征空间
3. 证明 DINO / SigLIP / MAE 等表征 encoder 也可以支持高质量重建
4. 让 DiT 在高维 semantic latent 上训练
5. 通过宽 head、噪声调度、decoder noise augmentation 等方法解决训练稳定性问题RAE 的价值在于：
它改变了 latent diffusion 的底层表示。以前的问题是：
如何让 diffusion backbone 更强？RAE 提出另一个关键问题：
生成模型到底应该在哪个 latent space 里学习？8. RAE 的不足
8.1 高维 latent 成本更高
RAE latent 信息更多，但计算和显存压力更大。尤其是做视频时，如果每帧都使用高维 RAE latent，时序长度一增加，成本会迅速上升。
8.2 对 DiT 结构适配要求高
RAE 不能简单替换 VAE。需要调整 DiT width、噪声调度、head 结构和 decoder 训练方式。
这说明 RAE 的收益依赖完整系统设计。
8.3 原始 RAE 对局部空间细节仍有不足
原始 RAE 使用强语义 encoder 的最后层特征。最后层特征语义强，但局部空间细节可能不足。
对于图像生成，这可能影响纹理细节。对于视频生成，这可能导致帧间局部细节不稳定。
8.4 原始 RAE 主要面向图像
RAE 最初主要在图像生成场景中验证。如果直接用于视频，还需要考虑：
1. 帧间一致性
2. 运动连续性
3. 视频 latent 的时序压缩
4. decoder 在时间维度上的稳定性因此，单独 RAE 不是视频生成或视频检测的完整答案。
9. RAEv2：改进版 Representation AutoEncoder
RAEv2 的目标是：
让 RAE 更简单、更稳定、更快收敛、更适合图像和视频任务。RAEv2 主要解决原始 RAE 的几个问题：
1. 只用最后一层特征可能损失局部空间信息
2. 原始 RAE 收敛速度仍然不够理想
3. RAE 和 representation alignment 方法之间的关系没有完全理清
4. 视频任务中局部空间信息不足会导致闪烁和不稳定10. RAEv2 的核心改进一：多层特征聚合
原始 RAE 通常使用视觉 encoder 的最后一层特征。
但是视觉 encoder 的不同层包含不同信息：
浅层：纹理、边缘、局部空间结构
中层：部件、局部语义
深层：全局语义、类别信息只用最后一层，语义强，但局部细节可能不足。
RAEv2 提出使用最后 K 层特征的聚合：
$$ z = \sum_{k=1}^{K} \alpha_k h_{L-k+1} $$其中：
h_l：encoder 第 l 层特征
alpha_k：聚合权重
K：参与聚合的层数最简单的情况可以直接求和或平均：
$$ z = \frac{1}{K} \sum_{k=1}^{K} h_{L-k+1} $$这样可以同时保留：
1. 高层语义
2. 中层结构
3. 局部空间信息这是 RAEv2 最重要的改进之一。
11. RAEv2 的核心改进二：RAE + REPA 互补
REPA 可以理解为一种 representation alignment 方法，它让 diffusion model 的中间特征向外部视觉表征对齐。
原始理解中，可能会觉得：
RAE 已经使用 representation latent，REPA 可能没必要。但 RAEv2 的结论是：
RAE 和 REPA 是互补的。RAE 提供更强的 latent space。 REPA 进一步约束生成模型内部的中间表示。
可以理解为：
RAE：改变模型输入输出所在的 latent space
REPA：约束 DiT 内部特征学习方向二者结合后，生成效果和收敛速度都可以进一步提升。
12. RAEv2 的核心改进三：Self-guidance
传统 CFG 或 AutoGuidance 往往需要额外 forward 或额外模型。
RAEv2 里可以利用 REPA head 形成 self-guidance。 它相当于在模型内部构造一个较弱预测器，然后用强弱预测差异引导生成。
直观理解：
不再额外训练一个弱模型
也不需要额外跑一次完整模型
而是利用内部 representation head 做引导这使采样更高效。
13. RAEv2 面向视频
视频生成比图像生成更依赖局部空间信息的稳定性。
如果相邻帧中局部结构不稳定，就会出现：
闪烁
纹理跳动
边缘漂移
物体局部形状变化
窗口数量变化
背景细节不一致原始 RAE 主要使用最后层特征，可能过于偏全局语义。 RAEv2 通过多层特征聚合保留更多局部信息，因此更有利于帧间一致性。
从视频检测角度看，RAEv2 也更适合提取：
1. 局部结构 latent
2. 语义 latent
3. 帧间 representation trajectory
4. 重建残差因此，RAEv2 比原始 RAE 更适合作为 AIGC 视频检测中的 representation fingerprint encoder。
14. RAE 与 RAEv2 对比
| 维度 | RAE | RAEv2 |
|---|---|---|
| Encoder | 冻结视觉表征 encoder | 冻结视觉表征 encoder |
| 特征使用 | 多使用最后层特征 | 聚合最后 K 层特征 |
| 局部空间信息 | 相对弱 | 更强 |
| 收敛速度 | 已优于传统方案 | 进一步加快 |
| 生成质量 | 强 | 更强 |
| 视频一致性 | 有潜力但不够充分 | 更适合视频任务 |
| 核心思想 | 用 representation latent 替代 VAE latent | 让 representation latent 更完整、更稳定 |
一句话总结：
RAE 解决“用什么 latent 生成”的问题；
RAEv2 解决“怎样让 representation latent 更好用”的问题。15. Causal 3D VAE：面向视频的时空压缩器
RAE 和 RAEv2 主要从图像表征出发。 但视频生成还有一个更关键的问题：
视频不是独立图像序列，而是时空连续信号。如果逐帧使用图像 VAE 或图像 RAE，会忽略视频中的 temporal redundancy。
视频中相邻帧高度相关：
背景相似
物体连续运动
光照连续变化
纹理逐渐变化
相机运动有轨迹因此，视频 tokenization 应该同时压缩空间和时间。
Causal 3D VAE 的目标就是：
用 3D 卷积同时编码空间和时间，把视频压缩成时空 latent。
16. Causal 3D VAE 的基本结构
输入视频：
$$ X = {x_1, x_2, ..., x_T} $$编码为视频 latent：
$$ Z = E_{\text{3D}}(X) $$再解码：
$$ \hat{X} = D_{\text{3D}}(Z) $$其中：
X：输入视频
Z：时空 latent
E_3D：3D VAE encoder
D_3D：3D VAE decoder
X_hat：重建视频和逐帧图像 VAE 相比：
图像 VAE：每帧独立编码
Causal 3D VAE：整段视频联合编码对比：
逐帧 VAE：
x_1 → z_1
x_2 → z_2
x_3 → z_3
Causal 3D VAE：
{x_1, x_2, x_3} → Z_video17. 为什么要 Causal？
Causal 表示当前时刻的编码不能依赖未来帧。
例如编码第 t 帧时，只能使用：
x_1, x_2, ..., x_t不能使用：
x_{t+1}, x_{t+2}, ...这样设计有几个好处：
1. 支持流式视频建模
2. 更符合时间因果关系
3. 避免未来信息泄漏
4. 有利于自回归或在线生成场景Causal 3D convolution 的直觉是：
在空间维度上看上下左右邻域
在时间维度上只看当前和过去18. Causal 3D VAE 的关键技术
18.1 时空压缩
Causal 3D VAE 同时做空间压缩和时间压缩。
例如：
空间压缩：H × W → H/8 × W/8
时间压缩：T → T/4最终 latent 形状可能类似：
C × T/4 × H/8 × W/8这比逐帧 VAE 更高效，因为它利用了视频帧间冗余。
18.2 Scale-agnostic encoder
视频可能有不同长度和分辨率。 Scale-agnostic encoder 的目标是让 encoder 对不同尺度更稳定，避免只适配固定长度或固定分辨率。
18.3 Spatio-temporal down/up-sampling block
视频压缩不能只在空间上降采样，还要在时间上降采样。
因此需要设计专门的时空下采样和上采样模块：
Downsample：压缩时间和空间，得到紧凑 latent
Upsample：恢复时间和空间，重建视频如果上采样设计不好，视频容易出现：
闪烁
运动断裂
帧间不连续
细节跳变18.4 Flow regularization loss
视频重建不仅要像素相似，还要运动合理。
Flow regularization 的作用是让重建视频的运动场和真实视频更接近。
可以理解为：
不只要求每一帧重建得像
还要求帧与帧之间的运动关系也像这对视频 tokenizer 很重要，因为视频生成模型最终需要生成连续运动，而不只是生成一张张独立图片。
19. Causal 3D VAE 的创新点
Causal 3D VAE 的创新可以总结为：
1. 把图像和视频统一到一个 VAE tokenization 框架中
2. 使用 causal 3D convolution 联合处理空间和时间
3. 同时进行空间压缩和时间压缩
4. 设计时空下采样 / 上采样模块
5. 使用 flow regularization 改善运动解码它的核心价值是：
让视频生成模型获得更适合视频的 latent space。
20. Causal 3D VAE 的不足
Causal 3D VAE 也有不足：
1. 计算量高于图像 VAE
2. 时序压缩可能损失细粒度运动
3. 对长视频建模仍然困难
4. decoder 如果不稳定，容易产生时间维度伪影
5. 对真实视频检测任务而言，可能会受到压缩格式、帧率、分辨率影响但对于视频生成和视频检测，它比单帧 VAE 更接近真实视频生成链路。
21. Cosmos Tokenizer：图像和视频的通用神经 tokenizer
Cosmos Tokenizer 是 NVIDIA 提供的一套 image/video neural tokenizer。
它的目标是：
把图像或视频压缩成连续 latent 或离散 token，
用于 diffusion 模型或 autoregressive transformer。Cosmos Tokenizer 的输出有两类：
Continuous latent：连续潜变量
Discrete token：离散 token id媒体类型也有两类：
Image tokenizer
Video tokenizer所以它形成了四种组合：
1. Continuous Image tokenizer
2. Discrete Image tokenizer
3. Continuous Video tokenizer
4. Discrete Video tokenizer22. Cosmos Tokenizer 的基本流程
输入视频：
视频 X
↓
Cosmos Encoder
↓
latent / token
↓
Cosmos Decoder
↓
重建视频 X_hat连续 tokenizer：
$$ Z = E(X) $$$$ \hat{X} = D(Z) $$离散 tokenizer：
$$ q = Q(E(X)) $$$$ \hat{X} = D(q) $$其中：
Z：连续 latent
q：离散 token id
Q：量化器23. Continuous Tokenizer 与 Discrete Tokenizer 的区别
23.1 Continuous Tokenizer
Continuous tokenizer 输出连续 latent。
特点：
1. 更适合 diffusion / flow matching
2. 保留细节更平滑
3. 可以直接做连续空间去噪类似：
视频 → 连续 latent → diffusion 生成 → decoder23.2 Discrete Tokenizer
Discrete tokenizer 输出离散 token。
特点：
1. 更适合 autoregressive transformer
2. 可以像语言模型一样预测下一个 token
3. 方便统计 token 频率和 transition pattern类似：
视频 → 离散 token 序列 → autoregressive 生成 → decoder对于 AIGC 视频检测来说，离散 token 特别有意思，因为可以分析：
1. token frequency
2. token entropy
3. token transition
4. token n-gram pattern
5. real/fake token 分布差异这很像语言模型检测里的 token 统计分析。
24. Cosmos Tokenizer 的优势
Cosmos Tokenizer 的主要优势是：
1. 同时支持图像和视频
2. 同时支持连续和离散 latent
3. 支持高压缩率
4. 重建质量较高
5. 可以服务 diffusion 和 autoregressive 两类生成模型对视频生成来说，它是一个高效视频压缩器。 对视频检测来说，它是一个很好的“数字指纹投影器”。
25. Cosmos Tokenizer 和 Causal 3D VAE 的关系
Causal 3D VAE 更像一种方法设计：
用 causal 3D convolution 做图像/视频联合 tokenization。Cosmos Tokenizer 更像一套完整工具系统：
提供 image/video、continuous/discrete 多种 tokenizer。二者共同点：
1. 都关注视觉 tokenization
2. 都把图像/视频压缩到 latent/token 空间
3. 都能用于生成模型
4. 都能为 AIGC 视频检测提供潜空间分析入口区别是：
| 维度 | Causal 3D VAE | Cosmos Tokenizer |
|---|---|---|
| 核心 | Causal 3D convolution 视频 VAE | NVIDIA 图像/视频 tokenizer 套件 |
| 输出 | 主要是连续时空 latent | 连续 latent 或离散 token |
| 重点 | 图像/视频联合时空压缩 | 高效、高质量、多模式 tokenization |
| 适合模型 | 视频 diffusion / tokenizer | diffusion 和 autoregressive 都适合 |
| 检测价值 | 时空 latent 指纹 | latent 指纹 + token 统计指纹 |
26. 四者关系总结
VAE：
低维压缩 latent，适合早期 latent diffusion
RAE：
用强视觉表征 encoder 替代 VAE encoder，把 latent 变成语义表征空间
RAEv2：
改进 RAE，用多层特征聚合保留更多局部空间信息，提升收敛和视频一致性
Causal 3D VAE：
面向视频，把图像/视频联合压缩到时空 latent
Cosmos Tokenizer：
更完整的图像/视频 tokenizer 系统，支持连续 latent 和离散 token它们关注的问题不同：
RAE / RAEv2：
生成模型应该用什么图像表征 latent？
Causal 3D VAE / Cosmos Tokenizer：
视频生成模型应该如何压缩时空信息？27. 对 AIGC 视频检测的启发
传统检测器通常是：
输入视频
↓
CNN / ViT / Transformer
↓
fake / real这种方式容易学到数据集 shortcut，例如：
分辨率
压缩格式
水印
生成器特定纹理
平台下载痕迹更底层的思路是：
输入视频
↓
投影到 latent / token space
↓
分析数字指纹
↓
判断 fake / real也就是说，检测器不只看像素内容，而是看视频在生成模型潜空间里的统计结构。
28. 基于 RAEv2 的 Representation Fingerprint
用 RAEv2 编码每一帧：
$$ z_t^R = E_R(x_t) $$得到 latent 序列：
$$ Z^R = {z_1^R, z_2^R, ..., z_T^R} $$可以分析：
1. 每帧 latent 分布
2. channel correlation
3. representation entropy
4. latent velocity
5. latent acceleration
6. 重建残差
7. 帧间 representation consistencylatent velocity：
$$ \Delta z_t = z_{t+1} - z_t $$latent acceleration：
$$ \Delta^2 z_t = z_{t+1} - 2z_t + z_{t-1} $$真实视频的 representation 轨迹通常更符合物理连续性。生成视频可能出现局部跳变、过度平滑、身份漂移或背景 representation 抖动。
29. 基于 Causal 3D VAE / Cosmos 的 Video Codec Fingerprint
用视频 tokenizer 编码整段视频：
$$ Z^V = E_V(X) $$可以分析：
1. 时空 latent 分布
2. temporal latent spectrum
3. token transition pattern
4. token entropy
5. reconstruction residual
6. motion consistency
7. compression artifact如果使用 Cosmos 的 discrete tokenizer，还可以看：
1. token 频率分布
2. token bigram / trigram
3. token transition matrix
4. rare token ratio
5. token entropy over time这就把视频检测变成了类似“生成链路数字取证”的问题。
30. 检测框架：双潜空间数字指纹
可以设计一个框架：
它包含两个空间：
1. Representation Space
2. Video Codec Space30.1 Representation Space
使用 RAEv2 / DINO / SigLIP / MAE 这类 encoder。
关注：
语义结构
局部空间结构
身份一致性
物体 representation 轨迹
重建残差适合发现：
身份漂移
物体结构不稳定
语义空间轨迹异常
局部纹理跳变30.2 Video Codec Space
使用 Causal 3D VAE / Cosmos Tokenizer。
关注：
时空 latent
视频 token
运动压缩结构
时序频谱
decoder residual
token transition适合发现：
生成模型解码痕迹
时序压缩伪影
运动 latent 过平滑
局部运动不自然
插帧和压缩后的残留指纹31. 双潜空间检测算法
输入视频：
$$ X = {x_1, x_2, ..., x_T} $$第一步：RAEv2 编码每一帧：
$$ z_t^R = E_R(x_t) $$第二步：视频 tokenizer 编码整段视频：
$$ Z^V = E_V(X) $$第三步：提取特征：
$$ F_R = f_R(Z^R) $$$$ F_V = f_V(Z^V) $$$$ F = [F_R, F_V] $$第四步：分类：
$$ s = C(F) $$其中：
F_R：representation fingerprint
F_V：video codec fingerprint
C：简单分类器或统计检测器
s：fake score分类器可以很简单：
1. Logistic Regression
2. SVM
3. MLP
4. Mahalanobis distance
5. One-class classifier这比直接训练黑箱视频检测器更可解释。
32. 适合鲁棒检测
真实传播链路中的视频会经历：
压缩
转码
插帧
裁剪
缩放
滤镜
平台二次处理普通检测器容易被这些后处理破坏。
而潜空间指纹方法关注的是：
生成模型组织 latent 的方式
decoder 还原图像/视频的残差
时序 token 的统计规律
representation 轨迹是否自然这些特征比单纯像素纹理更接近生成机制。
所以它适合研究：
1. 插帧后检测是否仍然有效
2. 压缩后 latent fingerprint 是否保留
3. 不同生成器是否存在共享潜空间异常
4. 检测器是否依赖 generator-specific shortcut
5. 能否从模型特定指纹走向通用生成指纹33. 可能的实验设计
33.1 数据
准备：
真实视频
AIGC 视频
AIGC + 压缩
AIGC + 插帧
AIGC + 插帧 + 压缩
AIGC + 缩放 / 裁剪 / 滤镜33.2 编码器
使用：
RAEv2 / DINO / SigLIP
Causal 3D VAE
Cosmos continuous video tokenizer
Cosmos discrete video tokenizer33.3 特征
提取：
latent mean / variance
channel correlation
latent spectrum
temporal velocity
temporal acceleration
reconstruction residual
token entropy
token transition
motion consistency33.4 指标
评估：
AUC
EER
AP
Robust AUC
cross-generator performance
cross-postprocessing performance33.5 关键问题
需要回答：
1. RAEv2 latent 是否比 VAE latent 更适合检测？
2. 视频 tokenizer 是否比逐帧 encoder 更适合检测？
3. 插帧是否会破坏 pixel fingerprint，但保留 latent fingerprint？
4. 压缩是否会破坏 residual fingerprint，但保留 token transition fingerprint？
5. 哪些 fingerprint 是 generator-specific，哪些是 generator-agnostic？34. 最后总结
RAE、RAEv2、Causal 3D VAE 和 Cosmos Tokenizer 都属于生成模型底层表示空间的关键技术。
RAE 的意义在于：
用强视觉表征 encoder 替代传统 VAE encoder，
让图像生成模型在语义更强的 latent space 中学习。RAEv2 的意义在于：
通过多层特征聚合等改进，让 representation latent 同时保留语义和局部空间信息，
提升重建、收敛速度和视频一致性。Causal 3D VAE 的意义在于：
把视频作为时空连续信号来压缩，
利用 causal 3D convolution 建模时间维度，
更适合视频生成。Cosmos Tokenizer 的意义在于：
提供一套图像/视频通用 tokenizer，
同时支持连续 latent 和离散 token，
可以服务 diffusion 和 autoregressive 两类生成模型。对 AIGC 视频检测来说，这些技术提供了一个新的方向：
不要只在像素空间判断真假，
而要进入 latent / token space，
寻找生成模型留下的数字指纹。更有潜力的研究框架是：
RAEv2 表征指纹
+
Causal 3D VAE / Cosmos 视频编解码指纹
=
双潜空间数字指纹检测这个方向既贴近生成模型机制，又适合做鲁棒检测，可以进一步研究插帧、压缩、转码等真实传播链路下的检测抗压性。