ForgeWM: 用于少步动作条件视频世界模型的渐进式因果训练

摘要

动作条件视频世界模型需要低延迟因果生成，但对交互式模型的少步合成仍有挑战。ForgeWM通过域自适应、教师强制因果训练、因果一致性蒸馏及与双向教师的在线分布匹配，将双向生成器转化为高效少步世界模型，学生模型在1、2、4步去噪预算下运行。在配对Minecraft轨迹上，ForgeWM在成像质量、参考对齐运动一致性、动作信号和鼠标控制准确性上领先，并取得最低参考LPIPS；该四阶段方案也适用于游戏手柄控制的FPS。回放时细化可匹配四步参考质量，且比从噪声重新生成更接近真实轨迹约三倍。