⌁ Awesome World Model Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

通过下一场景预测生成多模态驾驶场景

CVPR 25 2025 62.4 method, application

TLDR

通过自回归下一场景预测生成多模态驾驶场景，包含地图和自车动作模态。

评分理由

The paper introduces a novel multimodal generation framework for driving scenes, incorporating map modality and two-stage autoregressive prediction. Strengths include handling multiple modalities and temporal coherence, but weaknesses are lack of explicit real-world validation and limited scope to autonomous driving.

Read-first 评分解释

综合优先阅读分 62.4，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 41。

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%
73

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：GitHub

主题相关性 42%
58.6

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%
50

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：评估

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：213。

关键词评分

generative world model
8
world dynamics prediction
8
world simulator
7
world model
6
video world model
6
interactive world model
4
model-based reinforcement learning world model
2

深度分析

创新点

  • 多模态生成框架，整合四种主要数据模态，包括新增的地图模态
  • 两阶段自回归方法：时间自回归（TAR）用于帧间动态，有序自回归（OAR）用于场景内模态对齐
  • 动作感知地图对齐（AMA）模块，用于保持地图与自车动作模态之间的一致性

方法

该框架将多种模态进行标记化，并以自回归方式逐场景预测序列中的每个场景。它采用两阶段方法：时间自回归（TAR）捕获每个模态的帧间动态，有序自回归（OAR）通过按固定顺序依次预测标记来对齐场景内的模态。此外，动作感知地图对齐（AMA）模块基于自车动作进行变换，以维持地图与自车动作模态之间的连贯性。

关键结果

该框架能够有效生成长序列中复杂、逼真的驾驶场景，确保多模态一致性，并提供对场景元素的细粒度控制。

资源

论文项目代码

标签