基于视频先验与异步去噪的统一4D世界动作建模

arXiv 2026 59.2 method, application

TLDR

X-WAM利用视频先验和异步去噪统一实时机器人动作与4D世界合成，在基准测试中取得高成功率。

评分理由

The paper introduces a novel asynchronous denoising schedule to jointly optimize action efficiency and video generation quality, leveraging pretrained video diffusion models. Strengths include strong empirical results on robotic benchmarks and a unified framework, but weaknesses include limited discussion of generalization beyond robotics and potential trade-offs in 3D reconstruction fidelity.

Read-first 评分解释

综合优先阅读分 59.2，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 58。

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%

82.9

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

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。归一化引用分位：0.66046614

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、指标

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：代码

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

前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：471。

关键词评分

world model

video world model

generative world model

world dynamics prediction

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

统一4D世界模型，在单一框架中统一实时机器人动作执行与高保真4D世界合成（视频+3D重建）
轻量级结构适配：将预训练扩散变换器的最后几个块复制到专用深度预测分支，用于空间信息重建
异步噪声采样（ANS）联合优化生成质量与动作解码效率，在推理时采用专门的异步去噪调度

方法

X-WAM利用预训练的视频扩散模型预测多视角RGB-D视频。通过轻量级结构适配，将预训练扩散变换器的最后几个块复制到深度预测分支，从而获取空间信息。训练采用异步噪声采样（ANS），从时间步的联合分布中采样以对齐推理分布；推理则使用异步去噪调度，用较少步骤快速解码动作，并用完整步骤生成高保真视频。

关键结果

在超过5,800小时的机器人数据上预训练，X-WAM在RoboCasa和RoboTwin 2.0基准测试中分别达到79.2%和90.7%的平均成功率，并生成高保真4D重建与生成，在视觉和几何指标上超越现有方法。

技术栈

Diffusion Transformervideo diffusion modelsmulti-view RGB-Ddepth prediction branchAsynchronous Noise Sampling (ANS)

资源

论文