MoVieDrive: 多模态多视角城市场景视频生成

arXiv 25.8 2025 37.9 method, application

TLDR

提出一种统一扩散变换器用于多模态多视角驾驶视频生成，实现了令人信服的质量和可控性。

评分理由

Strengths include a novel unified framework for multi-modal generation and validation on real-world data. Weaknesses are that it focuses solely on video generation without claiming world modeling, dynamics prediction, or interactivity, limiting relevance to the specified keywords.

Read-first 评分解释

综合优先阅读分 37.9，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 7。

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

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：代码、数据集

主题相关性 42%

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

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：256。

关键词评分

video world model

generative world model

world model

world simulator

interactive world model

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

用于自动驾驶中多模态多视角视频生成的统一扩散变换器模型
在单一框架内处理不同模态（RGB、深度图、语义图）的模态共享和模态特定组件
多样化的条件输入，将可控的场景结构和内容线索编码到统一模型中

方法

该方法构建了一个由模态共享和模态特定组件组成的统一扩散变换器模型。它利用多样化的条件输入来编码可控的场景结构和内容线索，从而在单一框架内实现多模态多视角驾驶场景视频生成。

关键结果

在真实世界自动驾驶数据集上的实验表明，与最先进方法相比，该方法在支持多模态多视角数据生成的同时，实现了令人信服的视频生成质量和可控性。

资源

论文