MiLA：面向自动驾驶的多视角高保真长时视频生成世界模型

arXiv 25.3 2025 59.3 method, application

TLDR

MiLA通过粗到精和去噪模块生成长达一分钟的高保真驾驶视频，在nuScenes上达到SOTA。

评分理由

The paper proposes a novel framework for long-term video generation in autonomous driving, addressing error accumulation with coarse-to-refine and denoising modules. Strengths include state-of-the-art results on nuScenes, but weaknesses are limited evaluation to a single dataset and lack of real-world deployment or interactive capabilities.

Read-first 评分解释

综合优先阅读分 59.3，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 43。

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

主题相关性 42%

61.4

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：数据集、实验

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：无；数据：无；命中信号：数据集、GitHub

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：214。

关键词评分

world model

generative world model

video world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

用于稳定视频生成和纠正动态物体畸变的粗到精（Coarse-to-Re(fine)）方法
时间渐进去噪调度器
联合去噪与校正流模块

方法

MiLA是一个用于长时视频生成的框架，采用粗到精（Coarse-to-Re(fine)）方法稳定生成过程并纠正动态物体畸变。它集成了时间渐进去噪调度器和联合去噪与校正流模块。该模型在nuScenes数据集上进行训练和评估，达到了最先进的性能。

关键结果

MiLA在nuScenes数据集上的视频生成质量达到了最先进的性能。

资源

论文项目