GeoState：面向3D世界建模的视图解耦几何状态学习

arXiv 2026 34.8 method

TLDR

GeoState提出视图解耦几何表示，分离场景状态演化与相机运动，实现3D世界模型自回归预测与跨数据集零样本泛化。

评分理由

Strong contribution in disentangling view-dependent observations from scene-state dynamics, with empirical validation on Waymo and zero-shot generalization to KITTI and nuScenes. However, the abstract lacks details on evaluation metrics, baselines, and limitations, and it does not address interactive or reinforcement-learning settings.

Read-first 评分解释

综合优先阅读分 34.8，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 30。

近期性 5%

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 15%

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、结果

可复现性 15%

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、GitHub

主题相关性 25%

42.9

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

图谱声望 15%

10.9

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0031

引用影响力 15%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 10%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

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：369。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

video world model

interactive world model

model-based reinforcement learning world model

深度分析

创新点

提出GeoState，一种用于预测性3D世界建模的视图解耦几何表示，将场景状态演化与依赖相机的观测分离开来。
使用场景标记器（scene tokenizer）将多视图几何基础模型特征聚合为视图解耦的场景状态。
采用几何解码器，通过相机射线查询场景状态，从而能够在预测或外部指定的相机下进行解码。
使用自回归世界模型预测未来场景状态，同时对相机运动进行单独建模。
在推演过程中保持由上下文导出的单一尺度，避免逐帧尺度对齐。

方法

GeoState通过场景标记器将多视图几何基础模型特征聚合成视图解耦的场景状态，随后用相机射线查询该状态来解码几何。自回归世界模型预测未来场景状态，相机运动被单独建模；预测状态可在预测或外部指定的相机下解码。该方法在Waymo上相较于先前3D世界模型进行评估，并在KITTI和nuScenes上进行零样本泛化评估。

关键结果

GeoState在Waymo上优于先前的3D世界模型，支持几何一致的跨视图查询，并可零样本泛化到KITTI和nuScenes。

资源

论文