⌁ Awesome World Model Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

X-WIN: 通过预测感知构建胸部X光片世界模型

arXiv 25.11 2025 47.1 method, application

TLDR

X-WIN通过学习预测CT的二维投影构建胸部X光片世界模型，提升下游任务性能。

评分理由

The paper presents a novel method for distilling 3D anatomical knowledge into a 2D world model, with strong empirical results. However, it is domain-specific and lacks interactive or video capabilities, limiting generalizability.

Read-first 评分解释

综合优先阅读分 47.1，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 25。

近期性 8%
86.7

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：2025

方法质量 25%
70

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：评估、实验、指标

主题相关性 42%
35.7

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%
30

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：无

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：399。

关键词评分

world model
9
generative world model
6
world dynamics prediction
5
world simulator
2
interactive world model
1
video world model
1
model-based reinforcement learning world model
1

深度分析

创新点

  • 通过学习在潜在空间中预测二维投影，将胸部CT的体积知识蒸馏到CXR世界模型中
  • 亲和力引导的对比对齐损失，用于捕捉来自同一体积的不同投影之间的相关信息
  • 通过掩码图像建模和域分类器纳入真实CXR，以对齐真实和模拟CXR的表示

方法

X-WIN学习一个世界模型，通过预测潜在空间中的二维投影，内化CT扫描中的三维解剖结构。它使用亲和力引导的对比对齐损失来利用投影之间的相互相似性，并通过掩码图像建模和域分类器纳入真实CXR，以鼓励统计上相似的表示。评估通过在下游任务上进行线性探测和少样本微调来完成。

关键结果

X-WIN在使用线性探测和少样本微调的多种下游任务上优于现有的基础模型，并展示了渲染二维投影以重建三维CT体积的能力。

资源

论文

标签