EvoWorld：基于显式3D记忆的进化式全景世界生成

arXiv 2025 57.2 method

TLDR

EvoWorld通过演化3D记忆引导全景视频生成，实现空间一致的长时程探索，并在合成、室内和真实场景中验证。

评分理由

The paper introduces a novel world model combining video generation and explicit 3D memory, with strong empirical benchmarks including real-world scenarios. Weaknesses may include limited discussion of interactive or RL applications, and the abstract truncates results.

Read-first 评分解释

综合优先阅读分 57.2，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 42。

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：基准、实验、指标

主题相关性 42%

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：无

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：257。

关键词评分

world model

generative world model

video world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

提出EvoWorld，一种将全景视频生成与演化中的显式3D记忆相结合的世界模型，用于空间一致的长时程探索。
使用具有细粒度视角控制的视频生成器，从单张输入图像生成未来全景视频帧。
利用前馈即插即用Transformer演化场景的3D重建。
将视频合成条件建立在从演化中的3D记忆获得的几何重投影上，提供显式空间引导，从而提升视觉真实感和几何一致性。
引入首个覆盖合成室外环境、Habitat室内场景及真实世界场景的长距离探索综合基准，重点关注闭环检测和空间一致性。

方法

给定单张全景图像，EvoWorld先使用具有细粒度视角控制的视频生成器生成未来视频帧，再用前馈即插即用Transformer演化场景的3D重建，最后基于从该显式3D记忆获得的几何重投影来合成未来帧。该方法在一个涵盖合成室外环境、Habitat室内场景和真实世界场景的基准上进行了评估，重点考察长轨迹上的闭环检测与空间一致性。

关键结果

大量实验表明，与现有方法相比，EvoWorld的演化式3D记忆能显著提升视觉保真度并维持场景空间一致性。

技术栈

Panoramic video generationFeedforward plug-and-play transformerExplicit 3D memoryGeometric reprojection

资源

论文