WorldCrafter：具有隐式三维感知记忆的一致性视频世界模型

arXiv 2026 36.2 method

TLDR

WorldCrafter 提出隐式3D感知记忆的视频世界模型，支持从单图或文本提示进行长期相机可控场景探索。

评分理由

The paper addresses important limitations in video world models by proposing a camera-queryable memory mechanism that improves long-horizon consistency and camera control. Its strengths include a novel joint training approach and demonstrated gains across static and dynamic scenes; however, the abstract lacks details on dataset composition and limitations, making some claims difficult to fully assess.

Read-first 评分解释

综合优先阅读分 36.2，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 48。

近期性 5%

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 25%

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 15%

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：实验

可复现性 15%

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

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

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 10%

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：417。

关键词评分

video world model

world model

generative world model

interactive world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

为视频世界模型引入可由相机查询的隐式三维感知记忆，以提升长时一致性和跨视角一致性。
利用请求的视角来塑造多视角证据压缩到视频生成器有限令牌预算中的方式。
采用记忆编码器和姿态条件读出模块，在去噪前将历史观察整合为固定的目标视角特定令牌，无需显式基于深度的对应关系。
将隐式三维感知记忆与近期时间上下文及少步蒸馏相结合，支持从单张输入图像或文本提示进行流式场景探索。

方法

WorldCrafter 将记忆编码器和姿态条件读出模块与视频生成器联合训练，在去噪前将多视角历史观察压缩为一组固定的目标视角特定令牌，无需显式基于深度的对应关系。该模型将隐式三维感知记忆与近期时间上下文和少步蒸馏相结合，并在静态和动态场景上评估从单张图像或文本提示进行流式探索的能力。

关键结果

在静态和动态场景中，WorldCrafter 在长时一致性和相机控制准确性上均取得显著提升，同时在分钟级探索期间保持视觉质量。

资源

论文