diff --git a/README.md b/README.md
index 96a8a87..ebcf212 100644
--- a/README.md
+++ b/README.md
@@ -17,10 +17,11 @@ English | [中文](README.zh-CN.md)
   Right: joint pose optimization with a camera learning-rate warm-up, 22.7 dB. Same data, same 30k steps.</sub>
 </p>
 
-A controlled study of NeRF under noisy camera poses: **45 training runs**
-(9 pose-noise levels × 5 methods) on Nerfstudio's vanilla-NeRF, plus pose audits
-and a Sim(3) alignment diagnostic that separates *worse reconstruction* from
-*a reconstruction that is fine but sits in a shifted coordinate frame*.
+A side-by-side comparison of NeRF under noisy camera poses, with everything
+else held fixed: **45 training runs** (9 pose-noise levels × 5 methods) on
+Nerfstudio's vanilla-NeRF, plus pose audits and a Sim(3) alignment diagnostic
+that separates *worse reconstruction* from *a reconstruction that is fine but
+sits in a shifted coordinate frame*.
 
 ## TL;DR
 
@@ -48,8 +49,8 @@ flowchart LR
 - **Naive:** a 6-D SO(3) × R³ correction per training camera, optimized jointly
   with the radiance field.
 - **CamP-style:** the same correction in a preconditioned space, δ = Pz, where P
-  whitens the projection Jacobian of each camera
-  ([CamP](https://camp-nerf.github.io/), re-implemented from the idea, not the original code).
+  whitens the projection Jacobian of each camera (re-implemented following
+  [CamP](https://camp-nerf.github.io/)).
 - **Warm-up:** the camera learning rate ramps from 1e-8 to 1e-3 over the first 2,500
   steps instead of starting at 1e-3.
 - **Alignment diagnostic:** fit a similarity transform between GT and optimized
@@ -109,16 +110,13 @@ Details: [paired analysis](artifacts/analysis/warmup/report.md),
 
 ## Limitations
 
-One scene (Lego), one seed (42). CamP-style is a controlled re-implementation.
-The warm-up changes the whole camera learning-rate schedule, so the early phase
-alone is not isolated. Full aligned rendering covers the GT condition only. The
-alignment is a diagnostic of how test metrics are measured, not a new training
-method. These results do not establish behavior on other scenes or seeds.
+1. One scene (Lego), one seed (42).
+2. The warm-up changes the whole camera learning-rate schedule, so the early
+   phase alone is not isolated.
+3. Full aligned rendering covers the GT condition only.
 
 ## Quickstart
 
-Re-check the published numbers on a CPU, with no dataset or checkpoint needed:
-
 ```bash
 uv sync --extra analysis
 uv run python scripts/analysis/analyze_warmup_results.py --plots
@@ -126,9 +124,10 @@ uv run python -m unittest discover -s tests -p "test_alignment.py" -v
 ```
 
 The seven final checkpoints behind the GT alignment table and the T5 comparison
-are on the [release](https://github.com/chu-jiaming/PoseGuard-NeRF/releases/tag/v1.0.0),
-with SHA-256 sums and loading steps. Training, resuming, auditing and aligned
-rendering need a CUDA GPU. See [docs/RUNNING.md](docs/RUNNING.md).
+are published on the [release page](https://github.com/chu-jiaming/PoseGuard-NeRF/releases/tag/v1.0.0).
+
+Training, resuming, auditing and aligned rendering need a CUDA GPU. See
+[docs/RUNNING.md](docs/RUNNING.md).
 
 ## Repository layout
 
diff --git a/README.zh-CN.md b/README.zh-CN.md
index 2af1f9e..86e953b 100644
--- a/README.zh-CN.md
+++ b/README.zh-CN.md
@@ -17,13 +17,13 @@
   右：联合位姿优化 + 相机学习率 warm-up，22.7 dB。数据相同，均训练 30k 步。</sub>
 </p>
 
-这是一项关于 NeRF 在相机位姿有误差时表现的受控实验：基于 Nerfstudio vanilla-NeRF 完成 **45 次训练**（9 种位姿扰动 × 5 种方法），并做了位姿审计和 Sim(3) 对齐诊断，用来区分两种情况：**重建本身变差了**，和**重建没问题、只是整体坐标系偏了**。
+本项目在相同设置下做了一组对比实验，研究 NeRF 在相机位姿有误差时的表现：基于 Nerfstudio vanilla-NeRF 完成 **45 次训练**（9 种位姿扰动 × 5 种方法），并做了位姿审计和 Sim(3) 对齐诊断，用来区分两种情况：**重建本身变差了**，和**重建没问题、只是整体坐标系偏了**。
 
 ## 要点
 
 - **很小的位姿误差就能让固定相机的 NeRF 失效。** 测试 PSNR 从 27.1 dB 降到 14.1 dB（5% 平移扰动）和 12.0 dB（5° 旋转扰动）。
-- **联合位姿优化能找回大部分损失。** 加上 2,500 步相机学习率 warm-up 后，Naive 方法在 **9/9** 种条件下都更好，平均 +4.3 dB；5% 平移扰动下从 14.1 dB 提升到 22.7 dB。
-- **但从完全正确的位姿出发打开优化，PSNR 反而从 27.1 降到 17.9 dB。** 诊断结果是重建发生了整体漂移：冻结网络，只用训练相机中心拟合一个 Sim(3)，Naive 就能找回 **+5.5 dB**，CamP-style 找回 **+6.1 dB**。原坐标下的测试指标，把场景质量和全局坐标漂移混在了一起。
+- **联合位姿优化能找回大部分损失。** 加上 2,500 步相机学习率 warm-up 后，Naive 方法在 **9/9** 种条件下都优于不加 warm-up 的版本，平均 +4.3 dB；5% 平移扰动下从 14.1 dB 提升到 22.7 dB。
+- **但从完全正确的位姿出发优化，PSNR 反而从 27.1 降到 17.9 dB。** 诊断结果是重建发生了整体漂移：冻结网络，只用训练相机中心拟合一个 Sim(3)，Naive 就能找回 **+5.5 dB**，CamP-style 找回 **+6.1 dB**。原坐标下的测试指标把场景质量和全局坐标漂移混在了一起。
 
 ## 方法
 
@@ -36,27 +36,27 @@ flowchart LR
 ```
 
 - **Naive：** 每台训练相机一个六维 SO(3) × R³ 修正量，与辐射场联合优化。
-- **CamP-style：** 同样的修正量，但放在预条件空间里优化，δ = Pz，P 用来白化每台相机的投影 Jacobian。这是按 [CamP](https://camp-nerf.github.io/) 的思路做的受控复现，不是原始代码。
+- **CamP-style：** 同样的修正量，但放在预条件空间里优化，δ = Pz，P 用来白化每台相机的投影 Jacobian。按 [CamP](https://camp-nerf.github.io/) 的思路复现。
 - **Warm-up：** 相机学习率在前 2,500 步从 1e-8 逐渐升到 1e-3，而不是一开始就用 1e-3。
 - **对齐诊断：** 用 GT 和优化后的**训练**相机中心拟合一个相似变换，把它应用到**测试**相机上再重新渲染。拟合不使用任何测试图像，也不更新任何权重。
 
-完整实验协议见 [docs/EXPERIMENTS.md](docs/EXPERIMENTS.md)（英文）。
+完整实验方案见 [docs/EXPERIMENTS.md](docs/EXPERIMENTS.md)。
 
 ## 结果
 
-### 1. 位姿扰动让固定相机失效，位姿优化把质量找回来
+### 1. 位姿扰动让固定相机失效，位姿优化把质量补回来
 
 ![5% 平移和 5° 旋转扰动下，五种方法在同一测试视角的渲染](docs/assets/perturbation_grid.png)
 
 <img src="docs/assets/psnr_matrix.png" width="620" alt="9 种位姿条件 × 5 种方法的测试 PSNR 热力图">
 
-固定相机只在位姿完全正确或只有 0.5% 平移扰动时最好。其余 7 种扰动条件里，Naive + warm-up 在 6 种中最好，剩下的 2° 旋转条件下只比 CamP-style + warm-up 低 0.09 dB。
+固定相机只在位姿完全正确或仅有 0.5% 平移扰动时最好。其余 7 种扰动条件里，Naive + warm-up 在 6 种中最好，剩下的 2° 旋转条件下只比 CamP-style + warm-up 低 0.09 dB。
 
-从恢复出的相机位置可以看出原因：联合优化把带噪声的训练相机拉回到平均距 GT 0.025 个场景单位以内（原始扰动为 0.16）；再去掉一个全局相似变换，误差降到 0.016。
+从恢复出的相机位置可以看出原因：联合优化把带噪声的训练相机中心与 GT 的平均距离从 0.16 拉回到 0.025 个场景单位；再去掉一个全局相似变换，误差降到 0.016。
 
 ![联合位姿优化前后的训练相机中心误差（放大 10 倍显示）](docs/assets/camera_correction.png)
 
-### 2. "从正确位姿出发反而变差"，主要是坐标漂移
+### 2. “从正确位姿出发反而变差”，主要是坐标漂移
 
 ![GT、固定相机、Naive 原坐标与 Naive 对齐后的渲染及逐像素误差图](docs/assets/hero_drift.png)
 
@@ -81,19 +81,21 @@ Naive 的渲染本身是清晰的，只是整体偏了位置，所以误差集
 
 ## 局限
 
-只有一个场景（Lego）、一个随机种子（42）。CamP-style 是受控复现，不是原始实现。Warm-up 改变的是整个相机学习率日程，没有单独隔离前期阶段的作用。完整的对齐渲染只覆盖了 GT 条件。对齐是对测试指标测量方式的诊断，不是一种新的训练方法。这些结果不能推广到其他场景或其他随机种子。
+1. 只有一个场景（Lego）、一个随机种子（42）。
+2. Warm-up 改变的是整个相机学习率调度，没有单独隔离前期阶段的作用。
+3. 完整的对齐渲染只覆盖了 GT 条件。
 
 ## 快速开始
 
-在 CPU 上就能复核已发布的数字，不需要数据集或 checkpoint：
-
 ```bash
 uv sync --extra analysis
 uv run python scripts/analysis/analyze_warmup_results.py --plots
 uv run python -m unittest discover -s tests -p "test_alignment.py" -v
 ```
 
-GT 对齐表和 T5 对比所用的 7 个最终 checkpoint 发布在 [Release](https://github.com/chu-jiaming/PoseGuard-NeRF/releases/tag/v1.0.0)，附 SHA-256 校验和与加载步骤。训练、断点续跑、位姿审计和对齐渲染都需要 CUDA GPU，步骤见 [docs/RUNNING.md](docs/RUNNING.md)（英文）。
+GT 对齐表和 T5 对比所用的 7 个最终 checkpoint 发布在 [Release](https://github.com/chu-jiaming/PoseGuard-NeRF/releases/tag/v1.0.0)。
+
+训练、断点续跑、位姿审计和对齐渲染都需要 CUDA GPU，步骤见 [docs/RUNNING.md](docs/RUNNING.md)。
 
 ## 目录结构
 
@@ -107,7 +109,7 @@ scripts/
   showcase/         导入服务器渲染结果，生成 README 图
 tests/              CPU 测试（对齐、编排、可移植性）与 GPU 测试
 artifacts/          全部 45 次训练的配置、指标、位姿和报告存档（索引见 artifacts/README.md）
-docs/               实验协议、运行指南、图片
+docs/               实验方案、运行指南、图片
 ```
 
 ## 参考文献