使用几何正则化世界模型克隆确定性3D世界

arXiv 25.10 2025 59.8 method

TLDR

提出GRWM，一种使用时间对比学习进行几何正则化的世界模型，用于高保真克隆确定性3D世界。

评分理由

Strengths: Addresses a specific gap in world modeling (deterministic cloning), provides diagnostic evidence for latent geometry as bottleneck, and introduces a lightweight regularization module. Weaknesses: Limited to deterministic scenarios; abstract cuts off before full method/results; no explicit real-world evaluation.

Read-first 评分解释

综合优先阅读分 59.8，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 43。

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

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：实验、指标

主题相关性 42%

61.4

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：代码

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：197。

关键词评分

world model

world dynamics prediction

world simulator

interactive world model

generative world model

model-based reinforcement learning world model

video world model

深度分析

创新点

识别出潜在表示的几何结构（而非动力学模型）是确定性3D世界克隆中长期保真度的主要瓶颈
提出几何正则化世界模型（GRWM），应用时间对比学习作为几何正则化来重塑潜在空间
引入一个轻量级几何正则化模块，可无缝集成到标准自编码器中

方法

作者首先进行诊断实验，定量证明确定性3D世界的高保真克隆是可行的，且主要瓶颈在于潜在表示的几何结构。基于这一见解，他们提出GRWM，应用时间对比学习作为几何正则化来重塑自编码器的潜在空间，为动力学建模提供稳定基础。该正则化模块轻量级，可集成到标准自编码器中。

关键结果

诊断实验定量表明，潜在表示的几何结构是长期保真度的主要瓶颈。GRWM通过应用时间对比学习作为几何正则化提高了世界模型保真度，提供了一种简单而强大的流程。

局限性

该方法仅在确定性3D世界（如固定地图迷宫、静态空间机器人导航）上进行了验证，未涉及其在随机或开放世界中的适用性。

技术栈

AutoencoderTemporal Contrastive LearningWorld ModelGeometric Regularization Module

资源

论文