本研究提出了一种新方法，通过在潜视频扩散模型的VAE解码器中引入跨视图注意力层，解决了单幅图像生成多视图时的像素级失配问题。实验结果表明，该方法有效提升了多视图图像的像素对齐效果，改善了3D重建任务的表现。