INSPATIO-WORLD: 通过时空自回归建模实现实时四维世界模拟器
计算机视觉与模式识别
2026-04-14 v2
摘要
构建具有空间一致性和实时交互性的世界模型仍然是计算机视觉领域的基本挑战。当前视频生成范式通常在空间持久性和视觉真实感方面存在不足，难以支持在复杂环境中的无缝导航。为解决这些挑战，我们提出了INSPATIO-WORLD，一个能够从单一参考视频中恢复和生成高保真动态交互场景的新型实时框架。我们的方法核心是时空自回归(STAR)架构，通过两个紧密耦合的组件实现一致且可控的场景演化：隐式时空缓存将参考和历史观测聚合到潜在世界表示中，确保长时序导航过程中的全局一致性；显式空间约束模块强制执行几何结构并将用户交互转化为精确且物理上合理的相机轨迹。此外，我们引入了联合分布匹配蒸馏(JDMD)。通过使用真实世界数据分布作为正则化引导，JDMD有效克服了过度依赖合成数据通常导致的保真度退化。大量实验表明，INSPATIO-WORLD在空间一致性和交互精度方面显著优于现有的最先进(SOTA)模型，在WorldScore-Dynamic基准测试的实时交互方法中排名第一，并为从单目视频重建的四维环境导航建立了实用流程。
引用
@article{arxiv.2604.07209,
title = {INSPATIO-WORLD: A Real-Time 4D World Simulator via Spatiotemporal Autoregressive Modeling},
author = {InSpatio Team and Donghui Shen and Guofeng Zhang and Haomin Liu and Haoyu Ji and Hujun Bao and Hongjia Zhai and Jialin Liu and Jing Guo and Nan Wang and Siji Pan and Weihong Pan and Weijian Xie and Xianbin Liu and Xiaojun Xiang and Xiaoyu Zhang and Xinyu Chen and Yifu Wang and Yipeng Chen and Zhenzhou Fan and Zhewen Le and Zhichao Ye and Ziqiang Zhao},
journal= {arXiv preprint arXiv:2604.07209},
year = {2026}
}