有意思的不是它又刷了一版投影补偿网络，而是它换了个问法：被表面纹理和环境光改掉的那部分颜色，能不能直接当成噪声？ 如果能，补偿就不再是"学一个从目标图到投影图的映射"，而是"把脏图里的噪声去掉"——而去噪恰好是扩散模型最擅长的事。
问题：一面有花纹的墙，就是一个未知的逐像素色彩变换
你想让墙上出现某个颜色，实际出现的是投影仪光谱 × 表面反射率 × 环境光 × 相机响应一路乘下来的结果，而且逐像素都不一样——墙上有木纹，每处反射率都不同。这是个空间变化的未知色彩变换，你要求它的逆，再预先施加到投影内容上。既有做法（CompenNet / CompenNeSt 那一系）是端到端学：换个场景，采五百张配对图重训一次——等于每台设备每个房间都要现场标定。
转折：把残差建成"环境相关的加性噪声"，再用扩散走回去
DiffPC 把"实拍"和"理想"之间的差看成高维残差，假设它是环境决定的加性噪声，整件事就被套进 mean-reverting SDE（均值回复扩散）：起点不是纯高斯噪声，而是那张被环境污染的图；反向过程逐步剥掉环境影响，终点就是要投出去的补偿图。
条件怎么给是关键：不用文本 prompt，而是三张实拍参考图，投黑、投灰、投白——一次极简的设备-表面联合标定，黑图给环境光和黑电平，白图给这块表面的整体传递，灰图给中间调。三张图加内容特征一起作为双条件。用少量标定图当条件、剩下交给生成先验，这个接口比纯 zero-shot 更能落地。
数字上：CompenNet/CompenNeSt 的 143 组公开场景，预训练 PSNR 18.96 dB、ΔE 10.31，针对场景微调后 22.46 dB、ΔE 6.99；真实环境用 8 块带花纹 PVC 板实测，预训练 20.50 dB、ΔE 9.75。
能进到哪些真实流程里
最直接的是投影和 AR 的色彩管理：车载 HUD 打在路面上、家用投影打在带色墙纸上，现在基本靠手调。三张 probe 就能起效，等于开机自检拍三张即可，消费级设备扛得住。
更值得迁移的是范式本身。“把成像链路里的未知色彩变换当成残差，用生成先验求逆”，跟这一年相机端做白平衡、逆 ISP 的那批扩散方法同族，但 DiffPC 多给了一个条件接口：相机侧完全可以把灰卡、已知色块、甚至一次快门里的多曝光当成 probe 送进条件分支，让模型在"有一点标定信息"和"什么都不知道"之间取现实的中间态。跨相机色彩一致性、CCM 现场标定，都能往这个形状上套。
局限与存疑
ΔE 7–10 这个量级，肉眼一看就知道不对。 论文主打 PSNR/SSIM/FID/LPIPS，ΔE 只是附带；色彩科学角度恰恰该盯 ΔE00 的分布、最大值和中性轴偏移。平均从 10 降到 7，可能是把几个灾难区域拉回来了，也可能是整片轻微偏色——观感完全不同，论文里看不出来。
加性假设本身可疑。 表面反射对投影光是乘性的，加性只在对数域或很小的动态范围内近似成立。用加性残差是为了套进 SDE 框架，代价论文没正面讨论；我怀疑它正是 ΔE 下不去的原因之一——深色低反射率区域，乘性衰减不是加性噪声能描述的。
还有一块物理上不可逆。 打在深色表面上的亮部，投影仪输出上限摆在那儿，补不回来；这是色域问题，不是先验强弱的问题。号称"补偿"的方法都该先把这条边界画出来。
再加两个实际约束：扩散采样慢，作者自己承认不适合动态投影面；三张 probe 依赖精确的投影-相机几何配准，配准误差会直接变成色彩误差——细纹理表面错一个像素，取到的就是完全不同的反射率。
代码 github.com/cyxwang/DiffPC，论文已发 TVCG。