论文页面 - WorldCrafter：基于隐式3D感知记忆的一致性视频世界模型

来源：https://huggingface.co/papers/2609.24984 作者：

,

,

,

,

,

,

,

,

,

摘要

视频世界模型能够实现对动态环境的交互式探索，但在长时间序列和跨视角下难以保持对先前观测的一致性。我们提出WorldCrafter——一种通过学习相机可查询的隐式3D感知记忆来解决此问题的视频世界模型。其核心思想在于让目标视角来指导多视角证据如何被压缩至视频生成器的有限token预算中。该记忆编码器与位姿条件读出模块与视频生成器联合训练，在去噪前将历史观测整合为一组固定的目标视角专属token，无需显式的深度对应关系。通过将此记忆与近期时间上下文及少步蒸馏相结合，WorldCrafter能够基于单张输入图像或文本提示实现场景流式探索。在静态与动态场景中的实验表明，该模型在分钟级探索过程中，在保持视觉质量的同时，显著提升了长时序一致性和相机控制精度。

查看arXiv页面 (https://arxiv.org/abs/2609.24984) 查看PDF (https://arxiv.org/pdf/2609.24984) 项目页面 (https://drexubery.github.io/WorldCrafter) GitHub2 (https://github.com/TencentARC/WorldCrafter) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.24984)

在您的代理中获取此论文：

hf papers read 2609\.24984

尚未安装最新CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型2

TencentARC/WorldCrafter-快速图像转视频• 5分钟前更新 • 3 (https://huggingface.co/TencentARC/WorldCrafter-Fast)

TencentARC/WorldCrafter-基础图像转视频• 14B• 5分钟前更新 • 2 (https://huggingface.co/TencentARC/WorldCrafter-Base)

引用此论文的数据集0

无数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2609.24984以从本页面链接。

引用此论文的空间0

无空间链接此论文

在空间README.md中引用arxiv.org/abs/2609.24984以从本页面链接。

包含此论文的合集0

无合集包含此论文

将此论文添加到合集 (https://huggingface.co/new-collection) 以从本页面链接。