PerpetualWonder：面向长期 horizon 的动作条件 4D 场景生成

我们提出了 PerpetualWonder，一种混合式生成式模拟器，能够从单张图像生成具有长期 horizon 的、动作条件化的 4D 场景。现有方法在此任务上失败，原因在于其物理状态与视觉表征相互脱离，从而无法通过生成式细化来更新后续交互的物理模型。PerpetualWonder 通过引入首个真正的闭环系统来解决这一问题。它包含一种新颖的统一表征，构建了物理状态与视觉原语之间的双向关联，使生成式细化能够同时修正动态行为和外观。它还引入了一种鲁棒的更新机制，从多个视角收集监督信号，以解决优化中的歧义。实验表明，从单张图像出发，PerpetualWonder 能够成功模拟由长期动作驱动的复杂多步骤交互，同时保持物理合理性和视觉一致性。