GenSight统一视频生成与4D感知世界模型

1. 13:00
   arXiv cs.RO

   GenSight：统一视频生成与4D感知的具身世界模型

   GenSight 是一个统一的具身世界模型，把未来视频生成与稠密感知整合进同一个预训练视频扩散 Transformer。它用统一的时空表示覆盖视频、深度、具身分割和相对首帧的2D光流，基于共享 DiT 主干以轻量任务调制在同一架构内预测各模态，并在统一速度预测空间联合优化。推理时支持多步未来视频生成加对齐稠密预测，以及从观测视频做单步稠密感知，训练数据涵盖多种机器人本体与人类手部交互。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。