视频世界模型的潜在空间记忆

arXiv 2026 56.6 method

TLDR

提出用于视频世界模型的潜在空间记忆，将三维场景信息存储在扩散潜在空间，实现更快的生成和更少的内存

评分理由

The paper presents a novel method (Mirage) that avoids pixel-space reconstruction, showing significant speed and memory improvements. Strengths include clear methodology and strong empirical results on benchmarks; weaknesses are limited scope to video generation without explicit interaction or RL context.

Read-first 评分解释

综合优先阅读分 56.6，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 39。

近期性 6%

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

引用影响力 18%

94.5

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。归一化引用分位：0.94468804

方法质量 18%

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、实验、指标

主题相关性 29%

55.7

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 18%

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

引用速度 12%

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

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：440。

关键词评分

video world model

world model

generative world model

world simulator

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

潜在空间记忆：直接将场景信息存储在扩散潜在空间中，避免了像素空间重建及其带来的信息损失和计算成本。
深度引导的反投影将潜在标记提升到三维，并通过直接潜在空间扭曲合成新视角，形成统一的潜在空间记忆框架（Mirage）。
消除通过像素空间的往返，减少了信息损失以及重复渲染和VAE编码的计算负担。

方法

Mirage通过深度引导的反投影将扩散模型的潜在标记提升到三维，构建持久的三维缓存，并通过直接潜在空间扭曲合成新视角来查询该记忆。这避免了RGB空间中的显式点云记忆以及相关的渲染和编码步骤。

关键结果

潜在空间记忆相对于显式三维基线实现了高达10.57倍的端到端视频生成加速和55倍的内存占用减少。Mirage在WorldScore上达到了最先进的性能，并在RealEstate10K上取得了强大的重建质量。

资源

论文