OmniHumanoid：带有 Paired-Free 适配的流式跨体化视频生成

Cross-embodiment video generation 旨在跨不同 humanoid embodiment 传递运动，如 human-to-robot 和 robot-to-robot，实现 for embodied intelligence 的可扩展数据生成。这一设定下的主要挑战在于，运动动力学在 embodiment 之间部分可传递，而外观和形态学保持 embodiment-specific。现有方法常将这些因素entangle，且许多 require paired data for 每个 target embodiment，这限制了对新机器人的可扩展性。我们提出 OmniHumanoid，一个将可传递运动学习与 embodiment-specific 适配 factorize 的框架。该方法从跨多个 embodiment 的 motion-aligned paired videos 中学习共享运动 transfer model，同时仅通过 unpaired videos 结合 lightweight embodiment-specific adapters 适配新 embodiment。为减少运动 transfer 与 embodiment adaptation 之间的干扰，我们进一步引入 branch-isolated attention 设计，将 motion conditioning 从 embodiment-specific 调制中分离。此外，我们构建了一个包含 motion-aligned paired videos 的合成 cross-embodiment 数据集，涵盖多样 humanoid assets、场景和视角。在 synthetic 和 real-world benchmarks 上进行的实验表明，OmniHumanoid 在运动保真度和 embodiment consistency 方面实现了强劲表现，同时实现了对未知 humanoid embodiment 的可扩展适配，无需重新训练共享运动模型。