SCOPE：在可玩环境中模拟跨游戏操作以构建FPS世界模型
计算机视觉与模式识别
2026-05-29 v2
摘要
第一人称射击（FPS）游戏的交互式世界模型必须在每一帧处理高频重叠的控制信号，而不破坏未受影响的区域。现有方法全局注入动作并在单一游戏上训练，在密集的FPS输入下失效。我们观察到FPS动作在空间上具有选择性：诸如开火或装弹等离散事件仅影响武器周围的一个局部区域（即瞄准镜范围），而连续的相机和移动信号控制着稳定的周围环境。我们提出了SCOPE，它在预训练视频扩散模型的每个transformer块中插入一个条件模块。它将特征重塑为每像素的时间序列，以便每个位置根据局部视觉内容计算其动作响应。这无需分割标签即可将瞄准镜范围内的效果与范围外的生成分离开来。我们还引入了CrossFPS，这是第一个具有帧对齐动作遥测数据的多游戏FPS数据集。它包含来自7款游戏的69K个片段，带有10自由度控制器信号，经过精心策划以消除游戏玩法偏差。该模型学习通用的视觉到动作映射，而非特定于游戏的模式，从而实现对未见场景的零样本迁移。实验证实了强大的动作响应性、精确的瞄准镜范围分离以及有效的跨游戏泛化能力。
引用
@article{arxiv.2605.23345,
title = {SCOPE: Simulating Cross-game Operations in Playable Environments for FPS World Models},
author = {Zizhao Tong and Yeying Jin and Hongfeng Lai and Zeqing Wang and Zhaohu Xing and Kexu Cheng and Haoran Xu and Zhao Pu and Shangwen Zhu and Ruili Feng and Jian Zhao and Yan Zhang and Hao Tang and Ling Shao},
journal= {arXiv preprint arXiv:2605.23345},
year = {2026}
}
备注
Project page: https://z2tong.github.io/SCOPE/. Code is available at https://github.com/z2tong/SCOPE