MemLearner：学习查询上下文记忆以用于视频世界模型

arXiv 2026 42.5 method

TLDR

MemLearner学习自适应查询上下文记忆以用于视频世界模型，在遮挡和动态场景下提升场景一致性。

评分理由

The paper directly addresses a key limitation (memory) in video world models with a novel learning-based query method, supported by a new dataset and multi-dataset training. Strengths include leveraging pre-trained priors and strong empirical results; weaknesses are not evident from the abstract alone but the method's scalability and real-world generalization remain to be fully assessed.

Read-first 评分解释

综合优先阅读分 42.5，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 46。

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

主题相关性 29%

65.7

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

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：数据集、实验

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：数据集

引用影响力 18%

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 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

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：321。

关键词评分

video world model

interactive world model

world model

generative world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

基于学习的自适应上下文查询方法，使用查询令牌桥接上下文令牌和预测令牌，用于视频世界模型中的记忆
利用视频生成模型本身进行上下文查询，利用预训练的视觉先验，无需从头训练额外模块
针对查询机制的高效训练和推理策略
收集了一个包含场景遮挡和动态物体的长视频新数据集，并配有相机姿态标注
结合带标注的渲染视频和无标注的真实世界视频的多数据集训练策略

方法

MemLearner引入了一种基于学习的自适应上下文查询方法，在视频生成模型中使用查询令牌从记忆中检索相关上下文帧。它通过重用生成模型自身的预训练视觉先验进行查询，避免了从头训练新模块，并采用了高效的训练和推理策略。该方法在一个新收集的包含遮挡和动态物体并配有相机姿态的长视频数据集上训练，采用结合带标注的渲染视频和无标注的真实世界视频的多数据集策略。

关键结果

MemLearner在场景一致性和记忆方面显著优于先前的视频世界模型，尤其是在具有遮挡和动态物体的挑战性场景中。

资源

论文