Видеомодели мира с долговременной пространственной памятью

Video World Models with Long-term Spatial Memory

June 5, 2025

Авторы: Tong Wu, Shuai Yang, Ryan Po, Yinghao Xu, Ziwei Liu, Dahua Lin, Gordon Wetzstein

cs.AI

Аннотация

Модели мира, основанные на авторегрессии, генерируют видеокадры в ответ на действия, такие как перемещения камеры и текстовые запросы, а также другие управляющие сигналы. Из-за ограниченного размера временного контекстного окна эти модели часто испытывают трудности с поддержанием согласованности сцены при повторных посещениях, что приводит к значительному забыванию ранее сгенерированных окружений. Вдохновленные механизмами человеческой памяти, мы предлагаем новый подход для повышения долгосрочной согласованности видеомоделей мира с использованием геометрически обоснованной долгосрочной пространственной памяти. Наш подход включает механизмы для хранения и извлечения информации из долгосрочной пространственной памяти, а также мы создаем специализированные наборы данных для обучения и оценки моделей мира с явно хранимыми механизмами 3D-памяти. Результаты нашей оценки демонстрируют улучшение качества, согласованности и длины контекста по сравнению с релевантными базовыми моделями, прокладывая путь к генерации мира с долгосрочной согласованностью.

English

Emerging world models autoregressively generate video frames in response to actions, such as camera movements and text prompts, among other control signals. Due to limited temporal context window sizes, these models often struggle to maintain scene consistency during revisits, leading to severe forgetting of previously generated environments. Inspired by the mechanisms of human memory, we introduce a novel framework to enhancing long-term consistency of video world models through a geometry-grounded long-term spatial memory. Our framework includes mechanisms to store and retrieve information from the long-term spatial memory and we curate custom datasets to train and evaluate world models with explicitly stored 3D memory mechanisms. Our evaluations show improved quality, consistency, and context length compared to relevant baselines, paving the way towards long-term consistent world generation.