本文提出 TD-V2A，一种通过帧级时间差分（Temporal Differences, TD）增强视觉条件表示的 V2A 生成方法，包含三阶段层次连续学习（HCL）和退火 TD 引导（ATDG）两个训练/推理策略。属于在已有 diffusion V2A 框架上改进条件表示的方法型论文。
依据: 论文有消融实验隔离关键变量：Table 3 分别比较 CLIP / CLIP+CAVP / CLIP+CTD / CLIP+FTD / HCL+FTD，逐步引入组件。Table 4 隔离 ATDG vs 静态 w_TD。Table 5 隔离窗口长度 k。这些消融支持”TD 是有效原因”的 claim。
但存在缺口：(1) 最简 baseline 缺失——论文未比较”直接拼接相邻帧 CLIP embedding [h(v^n); h(v^{n+k})]”作为条件，这是不计算差分的最朴素多帧条件方案。如果拼接就已有效，则 TD 的”差分”操作本身的贡献被高估。(2) HCL 三阶段训练 vs 直接三阶段联合训练的消融缺失——论文比较了 HCL vs 纯 T2A 预训练，但未比较 HCL vs “直接从 T2A 跳到 Stage 3 联合训练”，无法确认 Stage 2（纯视觉 fine-tuning）的渐进性是否必要。(3) ATDG 和 HCL 的交互效应未充分隔离——最终模型同时使用两者，但没有”HCL without ATDG”和”ATDG without HCL”的交叉消融。
依据: 方法在条件表示层面做了有意义的压缩：TD 将”多帧视频”压缩为”静态外观 + 动态变化”两个互补通道，减少了冗余背景信息。共享 CLIP encoder 编码 TD 是简洁设计——不引入新模块。FTD vs CTD 的对比（frame-level vs feature-level）是一个有价值的经验发现：编码前的差分优于编码后的差分。
但 ATDG 的设计增加了不必要的复杂度。Eq.8-9 引入了 4 个超参数（w_f, w_TD^min, w_TD^max, γ），Table 4 显示静态 w_TD=0.5 已经取得不错结果（FAD 0.57 vs ATDG 0.53）。退火策略的增益（0.04 FAD）相对于引入的复杂度和超参数调优成本而言压缩价值有限。此外，”annealed guidance scale” 已有先例（arXiv 2506.24108, SIGGRAPH Asia 2025），ATDG 是其在 V2A 多条件场景的迁移应用，并非新机制。
依据: 绝对指标达到可用水平：FAD 0.53（GT 32.9 是不同量纲的参考，但相对 MMAudio 0.81, AudioX 1.13, Diff-Foley 5.79 有显著优势）。IS 16.9 是所有方法最高。IBS 33.8 接近 GT 水平。主观评测（Table 2）OVL 3.68, S-REL 3.85, T-REL 3.62 接近 GT（3.81/3.92/3.72），明显优于 FoleyCrafter 和 Diff-Foley。
在 6 个客观指标中，TD-V2A 在 FAD, IS, FD, IBS, AA 5 个指标上最优或次优，KL 排名第二（2.16 vs V2A-Mapper 2.68 更优但 V2A-Mapper 的 IS/FD 明显更差）。提升广泛存在于多个指标，不是 cherry-picking。与 VT2A 方法对比（Table 7）也具竞争力，尽管不使用文本输入。baseline 覆盖全面：11 个 V2A 方法 + 5 个 VT2A 方法，包含最新工作（AudioX ICLR 2026, Omni2Sound CVPR 2026）。
不足：所有评测仅在 VGGSound test set 上进行，未在 AudioSet test 或其他独立 test set 上验证泛化性。但 VGGSound 是该领域标准 benchmark，这一点是领域通病而非本文独有缺陷。
依据: 核心创新——将帧级 TD 作为 V2A 条件——是真实的增量。free-search 未发现已有 V2A 工作使用帧差分作为条件表示，这在 V2A 领域是新的应用。TDV (Daithankar et al. 2026) 提供了 TD 视觉表示学习的理论基础，本文将其迁移到 V2A 条件增强，属于有意义的跨应用迁移。
但组件层面新颖性有限：(1) 帧差分是计算机视觉中的经典操作，本文的”创新”是将其用于 V2A conditioning，而非发明新操作。(2) HCL 三阶段训练（T2A → V2A → TD-V2A）本质是 curriculum learning 的标准应用，渐进引入条件是已有范式（论文引用的 Omni2Sound/ControlAudio 也用类似策略）。(3) ATDG 是 timestep-dependent CFG 的 V2A 特化（已有 annealing guidance 工作 2506.24108）。(4) 共享 CLIP encoder 编码 TD 是合理的简洁设计，但也是”最省力”选择而非创新。
组件之间的 synergy 未被充分论证：论文没有展示 FTD + HCL + ATDG 三者组合的增益大于各自独立增益之和（缺少交叉消融）。如果增益只是叠加而非协同，组合的必要性需打折。
依据: 论文提供了详细的训练配置（Appendix D-E）：VAE 架构、DiT 配置（24 层 24 头 1536 维）、学习率、batch size、训练步数、数据集统计。评测指标定义清晰（Appendix G）。部分 baseline 使用官方实现生成结果。
但缺失关键信息：(1) 未提及代码开源——论文未声明 GitHub 链接或 code release 计划。(2) ATDG 的 67 步采样 vs 纯 CFG 100 步的 NFE 对等性论证不够透明——论文声称 NFE 相同但未给出计算过程。(3) T2A 预训练 2M iterations 在大规模音频数据上需要大量计算资源（8 GPUs），复现成本高。(4) CLIP encoder 的具体版本（ViT-B/16? ViT-L/14?）未明确说明。(5) 主观评测仅 20 样本 15 人，样本量偏小。
| Axiom | 判定 | 分数 | 权重 | 加权分 |
|---|---|---|---|---|
| 一 对象公理 | ✅ | 8 | 1.0 | 8.0 |
| 二 识别公理 | ⚠️ | 5 | 1.5 | 7.5 |
| 三 独立性公理 | ✅ | 8 | 1.0 | 8.0 |
| 四 压缩公理 | ⚠️ | 5 | 1.0 | 5.0 |
| 五 效用公理 | ✅ | 8 | 2.0 | 16.0 |
| 六 新颖性公理 | ⚠️ | 5 | 2.0 | 10.0 |
| 七 可复现公理 | ⚠️ | 5 | 1.0 | 5.0 |
加权总分: 6.16/10（加权分之和 59.5 / 权重之和 9.5） 最终建议: Weak Accept