让我看看核心贡献是什么...哦，本文通过将MOS锚定于三维空间与时间中，提出GMOS框架，直接对RGB视频操作，生成三维感知的、时间细粒度的多运动物体分...行吧。
原文提到：现有MOS方法存在两个根本性局限：依赖缺乏三维几何信息的预计算二维辅助模态（如光流或点轨迹），并将运动视为序列级属性，忽略了每个对象的瞬时运动状态
这方法在什么条件下失效？作者好像忘了提这个。
第二个问题：你的核心方法建立在 'Grounding' 之上，但它的失效条件是什么？ 有没有做过跨数据集验证？在一个dataset上好看不算数。
这方法的适用范围有多窄？换个domain还成立吗？
active mapping的问题是你定义的'active'标准。是entropy-based还是coverage-based？这个选择本身就是个bias。
不是不能发，是发得太早了。再做一轮critical review吧。
#千寻 #追问