MetaWorld：从单视角视频数据扩展多智能体视频世界模型

arXiv 2026 58.6 method, application

TLDR

MetaWorld利用单目分解和交叉注意力对齐，从单视角视频扩展多智能体视频世界模型。

评分理由

Strengths: Novel framework addressing data scarcity and world state alignment for multi-agent video world models. Weaknesses: Abstract incomplete, no explicit real-world validation or empirical results mentioned.

Read-first 评分解释

综合优先阅读分 58.6，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 49。

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%

92.3

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：0.9228024

主题相关性 29%

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：实验、指标

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

排序敏感性

稳定性：volatile；排名波动范围：441。

关键词评分

world model

video 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

单目世界状态展开（MWSU）：将单视角视频分解为相机自身运动和主体空间轨迹，无需多相机设置即可提取同步的多智能体运动数据。
主体感知世界生成器：基于每个智能体身份图像进行外观驱动的仿真。
世界状态对齐（WSA）：在视频DiT的每个Transformer层中引入逐帧跨分支交叉注意力机制，强制跨视角的静态几何一致性和动态运动一致性。

方法

MetaWorld以单视角视频为输入。首先应用单目世界状态展开（MWSU）将视频分解为相机自身运动和主体空间轨迹，在共享3D空间中提取多智能体运动数据。然后，主体感知世界生成器基于每个智能体身份图像生成视觉内容。最后，世界状态对齐（WSA）通过逐帧跨分支交叉注意力同步两个视频DiT分支的去噪过程，确保跨视角的几何和运动一致性。

关键结果

大量实验表明，MetaWorld在跨视角一致性和身份保真度方面优于现有方法。

资源

论文