Beckmann世界模型：一步预测MSE直降68%，无需预训练生成教师！
Beckmann World Models: Direct Terminal-Map Learning for One-Step Action-Conditioned Prediction
📖 AI 总结
该论文提出 Beckmann World Models（BWM），用于动作条件下的单步视频预测。其核心是将 Beckmann 传输模型的终端映射守恒律迁移到动作条件视频预测中，直接从噪声—数据对训练，无需预训练生成教师，也无需 DriftWorld 所依赖的条件生成样本群体。针对插值输入上的传输一致性无法保证纯噪声推理准确的问题，作者引入端点对齐训练，直接监督源预测、强调运动与空间结构，并训练模型从生成历史中恢复。在 PushT 和 Robomimic Can 上，64 帧预测 MSE 分别较同骨干回归基线降低 68% 和 57%；策略评估中平均 IoU 误差最低，为 0.0100，四帧 PushT 预测耗时 24.8 毫秒；在 Robomimic Can 上，采用运动监督与生成历史训练的 BWM 阶段吞吐量提高 3.3 倍，峰值内存降低 78%。这表明终端映射学习可在保持单步预测精度的同时显著提升训练与推理效率。
🔑 关键词速览
| Beckmann World Models (BWM) | 本文提出的动作条件世界模型，通过终端映射学习直接从噪声、视觉历史和动作预测未来帧。 |
| Terminal-Map Conservation Law | Beckmann传输模型中的终端映射守恒定律，被适配用于动作条件视频预测，确保从噪声到数据的直接映射。 |
| Endpoint-Aligned Training | 一种训练策略，直接监督源预测，强调运动与空间结构，并教授模型从生成历史中恢复。 |
| DriftWorld | 一种需要条件生成样本种群的世界模型方法，本文方法与之对比，无需生成样本。 |
| Mean IoU Error | 平均交并比误差，用于评估策略评估中预测掩码的准确性，值越低表示预测越准确。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅