从仿真中看真实感：视觉语言动作数据增强的高效视频迁移

视觉语言动作 (VLA) 模型通常依赖大规模真实世界视频，而仿真数据虽然具有收集成本低、高度可并行的优势，却因视觉领域差距大、环境多样性有限，导致实际应用中的泛化能力较弱。我们提出了一种高效的视频增强框架，将仿真 VLA 视频转换为保持任务语义和动作轨迹的真实训练视频。该框架通过视频语义分割和视频描述生成从仿真中提取结构化条件，再改写描述以多样化环境，最后使用条件视频迁移模型合成真实视频。为实现大规模实用化，我们引入了 diffusion 特征复用机制，在相邻时间步之间复用视频 token 以加速生成，并提出核心集采样策略，在有限计算资源下识别出增强的紧凑、非冗余子集。在 Robotwin 2.0、LIBERO、LIBERO-Plus 以及实际机器人平台上的大量实验表明，我们的方法在 Robotwin 2.0 上使 RDT-1B 提升 8%，在更具挑战性的 LIBERO-Plus 基准上使 $\pi_0$ 提升 5.1%。代码已公开：https://github.com/nanfangxiansheng/Seeing-Realism-from-Simulation。