论文页面 - ActionSplice：交互式世界模型中的飞行中动作编辑

来源：https://huggingface.co/papers/2609.08230 发布于 9月 8日

·

由https://huggingface.co/PardisTaghavi提交

pardis (https://huggingface.co/PardisTaghavi) 于 9月 14日

摘要

ActionSplice 引入了反事实状态传输，将修订后的动作拼接到分块自回归视频世界模型中，无需重播已完成的评估，从而提高了保真度和速度。

分块自回归视频世界模型 (https://huggingface.co/papers?q=Chunk-autoregressive%20video%20world%20models) 通常将每个生成的片段以一个动作为条件。因此，采样过程中接收到的动作必须等待下一个片段，将未来的求解器评估建立在先前动作产生的状态之上，或者触发回滚以重复已完成的评估。我们引入了 ActionSplice (https://huggingface.co/papers?q=ActionSplice)，一个将此问题形式化为反事实状态传输 (https://huggingface.co/papers?q=Counterfactual%20State%20Transport) (CST) 的推理框架。一个轻量级的校正器 (https://huggingface.co/papers?q=corrector) 将中断的骨干原生表示 (https://huggingface.co/papers?q=backbone-native%20representation) 传输到在相同求解器步骤中由修订动作引发的匹配状态。世界模型和采样器保持冻结，采样在未重播已完成评估的情况下恢复。重定向变体 CST{R} 更新整个活动片段，而时间拼接变体 CST{T} 保留时间前缀并仅更新后缀。在 minWM-Wan Action2V 和 HY-WM1.5 上，CST{R} 相对于直接条件交换分别将回滚相关 LPIPS (https://huggingface.co/papers?q=LPIPS) 降低了 61.5% 和 75.9%。CST{T} 分别将后缀 LPIPS (https://huggingface.co/papers?q=LPIPS) 降低了 56.1% 和 77.5%，同时相比等待提供了 2.73 倍和 1.69 倍的像素就绪加速。在 HY-WorldPlay 协议下，CST_{R} 相对于原始推演获得了 25.66 dB 的 PSNR (https://huggingface.co/papers?q=PSNR)、0.6902 的 SSIM (https://huggingface.co/papers?q=SSIM) 和 0.1337 的 LPIPS (https://huggingface.co/papers?q=LPIPS)。

查看 arXiv 页面 (https://arxiv.org/abs/2609.08230) 查看 PDF (https://arxiv.org/pdf/2609.08230) 项目页面 (https://pardistaghavi.github.io/actionsplice-website/) GitHub3 (https://github.com/PardisTaghavi/ActionSplice) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.08230)

通过您的代理获取此论文：

hf papers read 2609.08230

没有最新的 CLI？curl \-LsSf https://hf.co/cli/install.sh \| bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2609.08230 以从此页面链接它。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2609.08230 以从此页面链接它。

引用此论文的空间 0

没有空间链接此论文

在空间 README.md 中引用 arxiv.org/abs/2609.08230 以从此页面链接它。

包含此论文的收藏夹 0

没有收藏夹包含此论文

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以从此页面链接它。