MoVerse：基于全景高斯支架的实时视频世界建模

arXiv 2026 54.5 method, system

TLDR

MoVerse 利用全景高斯支架和蒸馏生成视频渲染器，从单张图像创建实时交互式360°视频世界模型。

评分理由

Strengths include a novel combination of explicit 3D representation and generative video for real-time interactive world creation from a single image. Weaknesses are the lack of explicit comparisons to baselines and potential limitations in complex scenes, though the abstract demonstrates practical performance.

Read-first 评分解释

综合优先阅读分 54.5，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 48。

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%

91.2

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：0.91200371

主题相关性 29%

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 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：无

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：491。

关键词评分

video world model

world model

interactive world model

generative world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

将世界构建与观测渲染分离，实现从单张窄视场图像进行交互式导航。
利用拓扑感知扩散将输入扩展为重力对齐的360°全景图，在3D推理前补全缺失视场。
通过全景几何感知残差预测将全景图提升为持久3D高斯支架，形成密集可渲染的空间记忆。
通过将双向扩散教师蒸馏为因果自回归学生来训练高斯条件视频渲染器，实现有界延迟流式输出。

方法

MoVerse首先利用拓扑感知扩散将单张窄视场图像扩展为重力对齐的360°全景图。然后通过全景几何感知残差预测将全景图提升为持久3D高斯支架。最后，通过将双向扩散教师蒸馏为因果自回归学生训练的高斯条件视频渲染器，沿用户指定的相机轨迹生成逼真视频。

关键结果

MoVerse在单张NVIDIA RTX 4090 GPU上支持8 FPS的实时场景漫游，展示了从单张图像创建交互式视频输出的实用路径。

资源

论文