LongDWM: 跨粒度蒸馏用于构建长期驾驶世界模型

arXiv 25.6 2025 69.1 method

TLDR

一种使用层次解耦和跨粒度蒸馏来减少误差累积并提高视频连贯性的长期驾驶世界模型

评分理由

The paper addresses a clear limitation (error accumulation in long-term video prediction) with a novel hierarchical distillation approach, achieving significant improvements on NuScenes. Strengths include strong empirical results and efficiency gains; weaknesses are limited to front-view only and lack of interactive or RL context.

Read-first 评分解释

综合优先阅读分 69.1，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 48。

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：GitHub

主题相关性 42%

68.6

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%

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

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：78。

关键词评分

world model

video world model

generative world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

将世界模型学习层次解耦为大运动学习和双向连续运动学习
细粒度视频流作为粗粒度流的自监督信号的蒸馏方法
粗粒度和细粒度模块的协调以生成长期时间连贯的视频

方法

该模型将世界模型学习层次解耦为大运动学习和双向连续运动学习。它提出了一种蒸馏方法，其中细粒度视频流作为粗粒度流的自监督信号，并且粗粒度和细粒度模块协调生成长期且时间连贯的视频。

关键结果

在NuScenes基准上，与最先进的前视模型相比，所提出的模型在生成110+帧时FVD提高了27%，推理时间减少了85%。

局限性

当前模型在预测长期未来时存在严重的误差累积
在短视频片段（高帧率和短时长）上训练导致训练-推理差距
多次展开生成难以产生一致且合理的长时间视频

资源

论文代码