港中文薛天帆团队：实现 4K 全景视频生成，普通视频也能「长出空间」丨CVPR 2026

很多人都经历过这样一种落差。现实里的空间是立体的，是包围人的，是可以转身、抬头、回望的，可一旦被手机或相机拍成视频，世界立刻被压缩成一个窄窄的取景框。 暴雨来临前的天空并不只在镜头正前方，深夜街区的压迫感也不只来自路面，商场中庭、地下车站、展馆大厅、建筑内部，这些真正让人产生现场感的东西，往往恰恰存在于镜头之外。我们记录下了事件，却没有真正留住空间，保存了画面，却没有保存身处其中的感觉。 这也是今天沉浸式内容产业最真实的困境之一。大家已经越来越明确地意识到，未来的视频不只是给人看，更是给人进入、环视和停留的。VR、数字展陈、虚拟空间、文旅体验、游戏场景、线上看房、远程教育，这些领域真正需要的都不是普通平面视频，而是能够承载空间感、方向感和临场感的全景内容。 问题在于，需求已经跑在前面，生产方式却还停在后面。要拍摄高质量 360° 视频，往往仍要依赖专门设备、多机位系统、复杂拼接流程和高昂成本，真正能稳定产出的人和机构始终有限。也就是说，沉浸式内容的想象已经很丰富，但它的供给能力并没有跟上。 这也是沉浸式内容行业一直没有被真正做大的关键原因。市场越来越需要 360° 视频，VR、虚拟空间、数字展陈、互动体验都在等更丰富的内容供给，可现实生产仍然依赖昂贵设备、复杂流程和高成本制作。大家都知道普通视频是最丰富、最便宜、最容易获取的素材，但怎样把它真正扩展成高质量全景视频，始终是行业里最难啃的问题之一。 正是在这样的背景下，香港中文大学的薛天帆团队提出了 CubeComposer，并在论文《CubeComposer: Spatio-Temporal Autoregressive 4K 360° Video Generation from Perspective Video》中，试图回答一个真正有行业分量的问题，也就是普通视角视频能否被直接扩展成原生 4K 的 360° 视频，而且这种扩展不是表面上的放大，不是看起来清楚一点，而是能够在空间连续性、时间稳定性和整体真实感上都站得住。 这件事可以想得更具体一点。以后一个商场空间的宣传视频，也许不必再靠专门全景设备拍摄；一段城市夜景素材，也不只是单一方向的记录，而可能被扩展成可以环视的沉浸式场景；很多原本只能平面观看的内容，未来都有机会变成能让人重新进入