GaussianWorld: 高斯世界模型用于流式3D占据预测

CVPR 25 2025 54.8 method, application

TLDR

提出GaussianWorld，利用场景演变的流式3D占据预测世界模型，在nuScenes上提升性能。

评分理由

Strengths include a novel decomposition of scene evolution into three factors and explicit use of a world model to improve prediction without extra computation. Weaknesses are limited evaluation to a single dataset and lack of comparison to other world model approaches.

Read-first 评分解释

综合优先阅读分 54.8，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 19。

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

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：有；数据：无；命中信号：代码、数据集、GitHub

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：基线、数据集

主题相关性 42%

27.1

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

研究版图角色

前沿论文复现锚点

排序敏感性

稳定性：volatile；排名波动范围：578。

关键词评分

world model

world dynamics prediction

video world model

world simulator

generative world model

interactive world model

model-based reinforcement learning world model

深度分析

创新点

将3D占据预测重新表述为基于当前传感器输入的4D占据预测问题
将场景演变分解为三个显式因素：静态场景的自车运动对齐、动态物体的局部运动以及新观测场景的补全
采用高斯世界模型（GaussianWorld）在3D高斯空间中显式利用场景演变先验
在不引入额外计算的情况下，相比单帧对应方法实现性能提升

方法

该方法将3D占据预测重新表述为基于当前传感器输入的4D占据预测问题，将场景演变分解为三个因素：自车运动对齐、动态物体运动和新场景补全。它使用高斯世界模型从当前RGB观测中推断3D高斯空间中的场景演变。该模型在nuScenes数据集上评估，与使用平均交并比（mIoU）的单帧基线进行比较。

关键结果

GaussianWorld在不引入额外计算的情况下，将单帧对应方法的mIoU性能提升了超过2%。

技术栈

PyTorchnuScenes

资源

论文代码