MVISTA-4D: 面向机器人操作的一致视角4D世界模型与测试时动作推理

arXiv 26.2 2026 53.6 method

TLDR

MVISTA-4D提出面向机器人操作的一致视角4D世界模型，从单视角生成多视角RGBD，并采用测试时动作优化。

评分理由

The paper introduces a novel 4D world model with cross-view and cross-modality fusion for geometrically consistent scene generation, and a test-time action optimization to address ill-posed inverse dynamics. Strengths include strong experimental results on multiple datasets and practical ablations; weaknesses include reliance on single-view input and potential computational overhead of test-time optimization.

Read-first 评分解释

综合优先阅读分 53.6，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 52。

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

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：消融、基线、数据集、实验、指标

主题相关性 29%

74.3

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

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%

18.3

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：0.18304881

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：610。

关键词评分

world model

generative world model

world dynamics prediction

video world model

model-based reinforcement learning world model

world simulator

interactive world model

深度分析

创新点

从单视角RGBD观测生成几何一致、任意视角的RGBD，实现完整的4D场景动态预测。
跨视角与跨模态特征融合，共同促进RGB-深度一致性并强制多视角间的几何对齐。
通过生成模型反向传播进行测试时动作优化，推断轨迹级隐变量，并结合残差逆动力学模型实现精确动作执行。

方法

提出的MVISTA-4D是一种具身4D世界模型，以单视角RGBD观测为输入，生成随时间变化的多视角、跨模态RGBD帧。它采用显式的跨视角与跨模态特征融合，确保几何一致性与对齐。在动作推理方面，测试时优化策略通过生成模型反向传播推断轨迹级隐变量，再由残差逆动力学模型精化为可执行动作。该模型在三个数据集上进行训练与评估，摘要中未详细说明基线与指标。

关键结果

该模型在4D场景生成和下游机器人操作任务上均表现出色，消融实验为关键设计选择提供了实用见解。

资源

论文