3D 与世界模型

论文发现，冻结的视频世界模型表示会暴露出有限的物理标签信息和动作敏感性，但原生预测误差受外观和静态内容强烈影响，并可能将不可能事件排在可能事件之前。

Wizard 是一个智能体式游戏世界模型，它将显式游戏状态控制与视频生成解耦，从而实现对场景、角色和动作的实时、零样本控制。

HiFOR 将多时间尺度未来预测（短期状态、语义里程碑、目标）与来自结构化潜在世界的动作引导检索相结合，在去噪过程中为 flow-matching VLA 策略提供条件。

ReLift 将冻结的 2D 轨迹与预训练几何结合为提升后的 3D 轨迹，然后使用在模拟提升上训练的前馈轨迹校正器来修复错误并补全遮挡运动。

论文对十个冻结视觉基础模型在四类空间能力上进行功能探测，发现空间读出、历史与运动利用、预测迁移以及目标条件动作效用在不同任务、层和前缀长度上发生分离。

L3G-World 将在线更新的潜在 3D 高斯记忆与记忆条件化的视频 DiT 相结合，以实时生成空间一致的世界。

HairDeck 通过将每张发片编码为一个 token，并使用集合扩散Transformer对所有 token 一起去噪，从单张图像或点云生成风格化发片和弹簧骨骼链。

OmniShowcase 通过将基于 3D 资产的数据合成管线与从参考图像重建的表面法线转台条件相结合，从多视角参考图像生成全景式主体一致的视频。