MCVP

关键洞察在于：运动和相机最终都表现为视频中的视觉变化。既然如此，为什么不把它们统一成一种视觉信号？现有方法恰恰缺失了这种统一视角——运动用视觉表示，相机用参数表示，两者之间存在根本性的语义鸿沟。