回归特征：DINO作为视频世界模型的基础

arXiv 25.7 2025 71.9 method, application

TLDR

DINO-world利用DINOv2潜在空间训练视频世界模型，预测未来帧并超越先前模型。

评分理由

Strengths include leveraging a powerful pre-trained encoder, training on large-scale uncurated data, and strong results on segmentation and depth forecasting. Weaknesses are limited architectural details and lack of comparison to other world model families like Dreamer.

Read-first 评分解释

综合优先阅读分 71.9，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 60。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

主题相关性 42%

85.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、数据集、结果

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码、数据集

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：115。

关键词评分

world model

video world model

generative world model

world dynamics prediction

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

利用DINOv2作为视频世界模型的基础，通过在其潜在空间中预测未来帧
在大规模未筛选的视频数据集上训练未来预测器，以学习多种场景的时间动态
在包括分割和深度预测在内的视频预测基准上超越先前模型
在观测-动作轨迹上微调预测器，创建用于规划的动作条件世界模型

方法

DINO-world利用预训练的DINOv2图像编码器提取特征，并在大规模未筛选的视频数据集上训练未来预测器，以在潜在空间中预测未来帧。该模型在视频预测基准（分割和深度预测）以及直觉物理任务上进行了评估。对于规划，预测器在观测-动作轨迹上微调，以在潜在空间中模拟候选轨迹。

关键结果

DINO-world在分割和深度预测基准上优于先前模型，并表现出对直觉物理的深刻理解。动作条件变体通过在潜在空间中模拟候选轨迹实现规划。

资源

论文