UCM：通过时间感知位置编码扭曲统一相机控制与记忆的世界模型

arXiv 26.2 2026 43.4 method

TLDR

UCM通过时间感知位置编码扭曲统一相机控制与长期记忆，在真实与合成基准上超越现有方法。

评分理由

The paper introduces a novel mechanism (time-aware positional encoding warping) to address key limitations in world models: long-term consistency and camera control. Strengths include a dual-stream diffusion transformer for efficiency and a scalable data curation strategy. Weaknesses are not explicitly discussed in the abstract, but the claims are well-supported by experiments on both real-world and synthetic benchmarks.

Read-first 评分解释

综合优先阅读分 43.4，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

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：基准、实验

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：GitHub

引用影响力 18%

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。引用数：0

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

排序敏感性

稳定性：volatile；排名波动范围：355。

关键词评分

world model

generative world model

video world model

interactive world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

通过时间感知位置编码扭曲机制统一世界模型中的相机控制与长期记忆
高效的双流扩散变换器，在降低计算开销的同时实现高保真生成
可扩展的数据策展策略，利用基于点云的渲染模拟场景重访，支持在超过50万段单目视频上训练

方法

UCM引入了一种时间感知位置编码扭曲机制，在帧之间建立显式空间对应关系，从而统一长期记忆与精确相机控制。它采用高效的双流扩散变换器生成高保真视频，同时降低计算开销。训练在超过50万段单目视频上进行，这些视频通过基于点云的渲染管线策展，模拟场景重访。

关键结果

在真实世界和合成基准上的大量实验表明，UCM在长期场景一致性上显著优于现有最先进方法，并在高保真视频生成中实现了精确的相机可控性。

资源

论文项目