论文页面 - 世界中的世界：用世界模型探索世界

来源：https://huggingface.co/papers/2609.11548

摘要

一种无需训练的接口，通过利用原生自注意力机制结合对应关系引导查询与逐通道注意力引导，实现异构视觉证据的路由，从而在冻结的自回归视频世界模型中实现灵活的镜头与时间控制。

自回归视频世界模型（https://huggingface.co/papers?q=Autoregressive%20video%20world%20models）支持交互式、长期探索，但灵活控制仍具挑战。从新视角探索源视频需要生成的扩展序列与录制事件保持同步、将观测内容置于请求视角中、合理补全新暴露区域，并在重访时恢复先前生成的外观。现有方法通常通过特定任务模块或额外训练来满足这些需求。我们提出“世界中的世界”，这是一个无需训练的推理时接口，可将异构控制证据转换为带有镜头和时间标签的干净视觉状态，并通过冻结因果视频模型的原生自注意力机制读取。证据源包括：源视频观测、目标视角场景投影、几何渲染（https://huggingface.co/papers?q=geometry%20renderings）（用于引导新暴露主体区域的补全），以及超出滚动缓存的已检取生成状态。每个证据源均携带token级支持（https://huggingface.co/papers?q=token-level%20support）及其独立可用性调度。对应关系路由器（https://huggingface.co/papers?q=correspondence%20router）结合持久点标识与几何信息建立token对应关系，引导受支持的查询匹配源视频token。随后，证据级注意力CFG（https://huggingface.co/papers?q=Evidence-wise%20attention%20CFG）（EWA）利用同一去噪前向传递中的注意力响应，独立调控每个辅助通道的额外贡献。该共享接口支持基于同一冻结骨干网络的镜头控制重渲染（https://huggingface.co/papers?q=camera-controlled%20rerendering）、长期重访（https://huggingface.co/papers?q=long-horizon%20revisiting）及人体动作迁移。我们在多样视角变化下的镜头控制视频重渲染任务中评估“世界中的世界”，评估维度包括感知质量、时间一致性与镜头跟随精度。

查看arXiv页面（https://arxiv.org/abs/2609.11548）查看PDF（https://arxiv.org/pdf/2609.11548）项目页面（https://chenxi-song.github.io/worldinworld/）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2609.11548）

获取代理端论文：

hf papers read 2609\.11548

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

引用此论文的模型0

暂无关联模型

在模型README.md中引用 arxiv.org/abs/2609.11548 即可从本页关联。

引用此论文的数据集0

暂无关联数据集

在数据集README.md中引用 arxiv.org/abs/2609.11548 即可从本页关联。

引用此论文的Space0

暂无关联Space

在Space README.md中引用 arxiv.org/abs/2609.11548 即可从本页关联。

包含此论文的收藏集0

暂无包含此论文的收藏集

将本论文添加到收藏集（https://huggingface.co/new-collection）即可从本页关联。