MoVerse: Real-Time Video World Modeling with Panoramic Gaussian Scaffold

📄 arXiv: 2606.13376v1 📥 PDF

作者: Yang Zhou, Ziheng Wang, Yuqin Lu, Haofeng Liu, Jun Liang, Shengfeng He, Jing Li

分类: cs.CV

发布日期: 2026-06-11

💡 一句话要点

提出MoVerse以解决实时视频世界建模问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 实时视频建模 3D高斯支架 拓扑感知扩散 高保真渲染 虚拟现实 增强现实 环境重建

📋 核心要点

  1. 现有方法在实时视频世界建模中面临输入视场有限的问题，难以实现完整的环境重建和交互体验。
  2. 论文提出通过拓扑感知扩散技术将狭窄视场图像扩展为360°全景，并利用3D高斯支架进行持久的空间建模。
  3. 实验结果表明，MoVerse在单个NVIDIA RTX 4090 GPU上实现了8 FPS的实时场景漫游，展示了其高效性和实用性。

📝 摘要（中文）

我们提出了MoVerse，一个实时视频世界模型，能够从单一狭窄视场图像创建可交互导航场景。该方法面临的挑战在于输入仅观察环境的一小部分，而交互漫游需要完整的周围世界、持久的几何结构、可控的相机运动和时间一致的高保真观察。MoVerse通过将世界构建与观察渲染分离来解决这一问题。首先，它利用拓扑感知扩散将输入扩展为重力对齐的360°全景，填补缺失的视场，然后通过全景几何感知残差预测将全景提升为持久的3D高斯支架，形成密集且可直接渲染的空间记忆。最后，一个高斯条件视频渲染器将支架渲染沿用户指定的相机轨迹转换为照片级真实感视频。该渲染器在交互中实用性强，支持在单个NVIDIA RTX 4090 GPU上以8 FPS的速度进行实时场景漫游，展示了单图像世界创建与交互视频输出的实用路径。

🔬 方法详解

问题定义：本论文旨在解决从单一狭窄视场图像构建完整可交互的3D世界模型的问题。现有方法通常无法处理输入视场有限带来的信息缺失，导致生成的场景不完整或不连贯。

核心思路：MoVerse的核心思路是将世界构建与观察渲染分离，通过拓扑感知扩散技术扩展输入图像为360°全景，从而填补缺失的视场，随后利用3D高斯支架进行持久的空间建模。

技术框架：MoVerse的整体架构包括三个主要模块：首先是全景生成模块，通过拓扑感知扩散将输入图像扩展为重力对齐的全景；其次是3D高斯支架构建模块，利用全景几何感知残差预测生成持久的空间记忆；最后是高斯条件视频渲染器，将支架渲染转换为高保真视频。

关键创新：论文的主要创新在于将拓扑感知扩散与3D高斯支架结合，形成了一种新的空间建模方法，能够有效处理视场缺失问题，并实现高质量的实时渲染。

关键设计：在设计中，使用了高斯条件渲染器以实现高质量的条件渲染，并通过双向扩散教师进行训练，最终蒸馏为因果自回归学生以实现低延迟流媒体效果。

📊 实验亮点

实验结果显示，MoVerse在单个NVIDIA RTX 4090 GPU上以8 FPS的速度实现了实时场景漫游，相较于传统方法在生成速度和渲染质量上有显著提升，展示了其在实际应用中的可行性和有效性。

🎯 应用场景

MoVerse的研究成果在虚拟现实、增强现实和游戏开发等领域具有广泛的应用潜力。通过实现从单一图像生成可交互的3D场景，能够极大地提升用户体验，并为实时环境重建提供新的解决方案。此外，该技术还可用于机器人导航和自动驾驶等需要环境理解的场景。

📄 摘要（原文）

We present MoVerse, a real-time video world model that creates an interactively navigable scene from a single narrow-field-of-view image. This setting is challenging because the input observes only a small fraction of the environment, while interactive roaming requires a complete surrounding world, persistent geometry, controllable camera motion, and temporally coherent high-fidelity observations. MoVerse addresses this problem by separating world construction from observation rendering. It first expands the input into a gravity-aligned 360$^\circ$ panorama with topology-aware diffusion, closing the missing field of view before 3D reasoning. It then lifts the panorama into a persistent 3D Gaussian scaffold using panoramic geometry-aware residual prediction, yielding a dense and directly renderable spatial memory. Finally, a Gaussian-conditioned video renderer translates scaffold renderings along user-specified camera trajectories into photorealistic video. To make this renderer practical for interaction, we train a bidirectional diffusion teacher for high-quality conditional rendering and distill it into a causal autoregressive student for bounded-latency streaming. This design combines the controllability and long-range consistency of explicit 3D representations with the perceptual quality of generative video models. MoVerse supports real-time scene roaming at 8~FPS on a single NVIDIA RTX~4090 GPU, demonstrating a practical path toward single-image world creation with interactive video output.