DVG-WM：解耦视频生成实现高效具身世界模型用于机器人操作

摘要

该论文提出一种解耦视频生成世界模型（DVG-WM），将世界建模显式分解为动力学学习和视觉合成，以解决现有方法中低层时序推理与高层视觉合成之间的纠缠问题。通过流匹配直接映射动力学到视频潜变量，并引入潜退化机制再生接触细节，在LIBERO和真实平台上实现了高效且高保真的视频预测。