InstaDrive：面向真实且一致视频生成的实例感知驾驶世界模型
计算机视觉与模式识别
2026-02-04 v1
摘要
自动驾驶依赖于基于高质量大规模多视角驾驶视频训练的鲁棒模型。虽然世界模型提供了一种高成本解决方案用于生成逼真的驾驶视频，但其在保持实例级时序一致性和空间几何保真性方面存在挑战。为此，我们提出一种新框架 InstaDrive，通过两种关键创新措施增强驾驶视频的真实性：（1）实例流引导器（Instance Flow Guider），从而提取并跨帧传播实例特征，以实现时序一致性，保留时间内的实例身份。（2）空间几何对齐器（Spatial Geometric Aligner），改进空间推理，确保精确的实例定位，并显式建模遮挡层级结构。通过纳入这些实例感知机制，InstaDrive 实现了最新的视频生成质量，并在 nuScenes 数据集上增强了下游自动驾驶任务。此外，我们利用 CARLA 的自动驾驶员，对不同地图和地区进行程序化和随机化模拟稀有但安全关键的驾驶情景，为自动系统提供了严格的安全评估。我们的项目页面为 https://shanpoyang654.github.io/InstaDrive/page.html。
引用
@article{arxiv.2602.03242,
title = {InstaDrive: Instance-Aware Driving World Models for Realistic and Consistent Video Generation},
author = {Zhuoran Yang and Xi Guo and Chenjing Ding and Chiyu Wang and Wei Wu and Yanyong Zhang},
journal= {arXiv preprint arXiv:2602.03242},
year = {2026}
}