该论文研究视频透视扩展现实（Video See-Through XR, VST XR）系统中长期被忽视的“人机视图错位”问题。研究背景是：当前大量 VST XR 应用（尤其是集成视觉语言模型 VLM 的智能助手、场景理解、无障碍辅助系统）习惯用头显截屏或相机采集帧作为“用户第一人称视觉上下文”的代理，并默认这两者是等价的。作者指出这一假设并不成立：截图记录的是一个规则的矩形、机器可读的帧，而用户在头显中真正能有效看到的区域受视场角限制、光学畸变、眼动与注视点、佩戴贴合度等因素影响，往往更窄且呈非矩形。论文的核心方法是对两者关系进行形式化建模，将空间划分为三部分：共可见区域（人与系统都能感知）、仅系统区域（截图里有但用户看不到）、仅人眼区域（用户能看到但截图未覆盖）。作者在 Meta Quest 3 上开展了试点级（pilot-level）的可见边界测量，实测结果显示矩形截屏框与近似的人眼可见边界之间存在明显错位，验证了模型假设。在此基础上，论文进一步分析视图错位如何影响基于截屏的 XR 感知流程及下游 VLM 任务，并通过四个代表性案例研究展示其潜在风险与失效模式：提示注入（人类不可见区域中的内容仍可被模型读取并当作指令）、隐私泄露（截图捕获了用户本人未意识到的敏感内容）、人类不可见信息偏置（模型基于用户看不到的信息做出判断），以及人类可见信息缺失（用户看到的关键内容未被系统采集）。结论认为视图错位不只是几何伪影，而是会给 AI 集成的 VST XR 系统引入安全、隐私与可靠性风险的系统性设计缺陷。该论文适合 XR 平台开发者、VLM 应用集成者、人机交互与隐私安全研究者阅读。