WorldCrafter：具备隐式 3D 感知记忆的一致视频世界模型

WorldCrafter 是一个视频世界模型，通过可相机查询的隐式 3D 感知记忆，解决长时程与跨视角下难以保持历史观测一致的问题。其记忆编码器与姿态条件读取模块与视频生成器联合训练，在去噪前将历史观测压缩为固定数量的目标视角专属 token，无需显式深度对应。结合近期时序上下文与少步蒸馏，该模型可从单张图像或文本提示实现流式场景探索，在静态与动态场景中显著提升长时程一致性与相机控制精度。