LEARNING
重建还是语义？什么使潜在空间对机器人世界模型有用
Nilaksh, Saurav Jha, Artem Zholus, Sarath Chandar
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文系统比较了重建型和语义型潜在编码器在动作条件潜扩散模型中的表现，发现视觉保真度不足以评估世界模型，语义编码器在规划与下游任务中更具优势。研究提出了三个评估维度：视觉保真度、规划与策略性能、潜在表示质量。
关键词
latent spaceworld modelvideo diffusionpolicy evaluationrepresentation learning
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018