寄生共去噪：在冻结视频扩散模型中解锁3D人体动作生成

尽管从未被显式3D动作监督，大规模文本到视频扩散模型在其生成的视频中合成逼真的人体运动。我们追问：能否不训练单独的动作模型就把这种隐式知识转化为显式3D动作生成？对冻结Wan2.1的探查显示：可恢复的动作信号存在于其跨越整个去噪排程的中间状态中，不限于干净输出。受此启发，我们引入寄生共去噪范式：动作从宿主模型沿其去噪排程被解码，而非由独立生成器产生。我们把它实例化为寄生动作解码器（PMD）——高效的流匹配解码器，共享宿主噪声排程，经σ自适应多层融合读取其中间特征，宿主保持不变。PMD的覆盖来自宿主而非动作数据，在文本-动作对齐上以很小一部分可训练参数领先专用动作生成器，同时单次通过产生配对的视频与动作——纯动作基线无法匹敌。