video-world-model

本文介绍了Game2World Engine，一个用于从游戏视频中移除UI的框架，旨在为视频世界模型创建更干净的训练数据。其中，GameCleaner模型在UI移除方面达到了最先进的成果。

Wonder是一个通用的视频世界模型，能够从一张图像或条件视频中实现实时、可控制摄像头的世界探索。它通过密集坐标场引入摄像头条件化，采用稀疏注意力记忆机制，并改进蒸馏技术，从而支持以16 FPS生成分钟级的视频。

ABot-World-0是一个实时的、长时域交互式视频世界模型，可在单台式机GPU上运行，通过动作条件控制实现无限世界展开。

引入PDI-Bench量化框架，通过单目重建与投影几何残差评估生成视频的几何一致性，揭示视频生成器中特有的几何失败模式。