BridgeV2W: 通过具身掩码桥接视频生成模型与具身世界模型

arXiv 26.2 2026 71.4 method

TLDR

BridgeV2W将动作转换为具身掩码，对齐视频生成模型与具身世界模型，提升视频质量并支持真实世界任务。

评分理由

The paper presents a novel method to bridge video generation and embodied world models by using embodiment masks, addressing key challenges like action-video misalignment and camera sensitivity. Strengths include real-world experiments and improved video quality, but limitations include reliance on specific datasets and potential overfitting issues.

Read-first 评分解释

综合优先阅读分 71.4，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 53。

近期性 8%

100

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：2026

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：数据集、评估、实验、结果

主题相关性 42%

75.7

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

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：数据集、GitHub

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：64。

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

将坐标空间动作转换为从URDF和相机参数渲染的像素对齐的具身掩码
通过ControlNet风格的路径将具身掩码注入预训练视频生成模型，以对齐动作控制信号与预测视频
引入基于光流的运动损失，以减轻对静态背景的过拟合，并专注于动态任务相关区域

方法

BridgeV2W使用URDF和相机参数将坐标空间动作转换为像素对齐的具身掩码，然后通过ControlNet风格的路径将这些掩码注入预训练视频生成模型。它添加视角特定条件以适应相机视角，并使用基于光流的运动损失来强调动态区域，从而产生跨具身的统一世界模型架构。

关键结果

在单臂（DROID）和双臂（AgiBot-G1）数据集上的实验表明，BridgeV2W相比先前最先进方法提高了视频生成质量，并在下游真实世界任务（包括策略评估和目标条件规划）中展示了潜力。

资源

论文项目