SAW：通过可控可扩展视频生成的外科行动世界模型

具备生成具有精确控制器械-组织相互作用的逼真外科行动视频的外科世界模型，可从数据稀缺、稀有事件合成到弥合仿真与现实之间的 sim-to-real 差距，解决外科 AI 和自动化的根本性挑战。然而，当前视频生成方法——即此类外科世界模型的核心——在推理时需要昂贵的标注或复杂的结构化中间信号，限制了其可扩展性。其他方法在复杂腹腔场景中表现出有限的时序一致性，且缺乏足够的真实感。我们提出了外科行动世界模型（SAW）——通过基于四种轻量级信号的视频扩散条件化方法，实现外科行动世界建模：编码器械-行动语境的语言提示、参考外科场景、组织可达性掩码以及 2D 器械针尖轨迹。我们设计了条件视频扩散方法，将视频到视频扩散重新表述为轨迹条件化的外科行动合成。扩散模型的主干网络在由 12,044 条腹腔镜短片组成的自定义精选数据集上进行微调，利用深度一致性损失在不需深度信息的情况下强制几何可行性。SAW 在 held-out 测试数据上实现了最先进的时序一致性（CD-FVD：199.19 vs. 546.82）和强烈的视觉质量。进一步，我们展示了其下游应用：(a) 外科 AI，其中利用 SAW 生成的视频增强稀有行动识别（实测数据 F1 分数：20.93% 提升至 43.14%；切割类：0.00% 提升至 8.33%），以及 (b) 外科仿真，其中基于仿真器导出的轨迹点渲染器械-组织交互视频，以实现视觉上忠实的仿真引擎。