猎豹 Safari：具姿态对齐 3D 记忆的世界引擎
计算机视觉与模式识别
2026-03-25 v2
摘要
世界引擎旨在合成长且 3D 一致的视频，支持用户在受控摄像机运动下进行交互式场景探索。然而，现有系统在激进的 6 自由度轨迹和复杂户外布局下难以应对：它们会丢失长程几何一致性、偏离目标路径，或坍缩为过于保守的运动。为此，我们引入了猎豹 Safari（Captain Safari），一种基于姿态条件的世界引擎，通过检索持久世界记忆来生成视频。给定摄像机路径，本方法维持动态局部记忆，并使用检索器获取姿态对齐的世界记忆标记（world tokens），这些标记随后用于条件化沿轨迹的视频生成。该设计使模型能够在保持稳定 3D 结构的同时，准确执行具有挑战性的摄像机机动。为评估此设置，我们构建了 OpenSafari，一个新的野外 FPV 数据集，包含经多阶段几何和动力学验证管道验证的高动态无人机视频。猎豹 Safari 在视频质量、3D 一致性和轨迹跟随方面均显著优于最先进的摄像机控制生成器。它将 MEt3R 从 0.3703 降至 0.3690，提高 AUC@30 从 0.181 到 0.200，FVD 远低于所有摄像机控制基线。更重要的是，在 50 名参与者、5 选项的人类研究中，67.6% 的偏好在所有维度上都支持我们的方法。我们的结果表明，姿态条件化世界记忆是实现长期视角、可控视频生成的强大机制，并提供 OpenSafari 作为面向未来世界引擎研究的具有挑战性的新基准。
引用
@article{arxiv.2511.22815,
title = {Captain Safari: A World Engine with Pose-Aligned 3D Memory},
author = {Yu-Cheng Chou and Xingrui Wang and Yitong Li and Jiahao Wang and Hanting Liu and Cihang Xie and Alan Yuille and Junfei Xiao},
journal= {arXiv preprint arXiv:2511.22815},
year = {2026}
}