VerseCrafter: 具有4D几何控制的动态真实视频世界模型

arXiv 26.1 2026 64.5 method

TLDR

VerseCrafter利用4D几何控制（点云和3D高斯轨迹）生成逼真、视角一致的视频，精确控制相机和多物体运动。

评分理由

The paper introduces a novel geometry-driven representation and a real-world dataset, achieving superior visual quality and control. However, it lacks discussion of limitations and does not address interactive or RL-based applications.

Read-first 评分解释

综合优先阅读分 64.5，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 44。

近期性 8%

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 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、指标

主题相关性 42%

62.9

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

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、GitHub

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：208。

关键词评分

world model

video world model

generative world model

world simulator

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

新颖的4D几何控制表示，将世界状态编码为静态背景点云和每个物体的3D高斯轨迹，实现相机和多物体运动的统一控制
自动数据引擎，构建包含35K个真实世界训练样本的VerseControl4D数据集，自动生成提示和渲染的4D控制图
将4D控制图集成到预训练的视频扩散模型中，实现高保真、视角一致的视频生成

方法

VerseCrafter使用4D几何控制表示，将世界状态编码为静态背景点云和每个物体的3D高斯轨迹，捕捉每个物体的运动路径和随时间变化的概率性3D占用。该表示被渲染为4D控制图，用于条件化预训练的视频扩散模型。训练通过自动数据引擎实现，该引擎创建了包含35K个真实世界样本的VerseControl4D数据集，并附带提示和控制图。

关键结果

VerseCrafter在视觉质量和相机及多物体运动控制精度上均优于先前方法。

资源

论文项目