Mathias Unberath

该工作提出Surgical Action World（SAW），把视频到视频扩散重构为轨迹条件的手术动作合成，仅以语言提示、参考首帧、组织可操作区域掩码和2D器械尖端轨迹四个轻量信号为条件，在自建的12,044段腹腔镜视频片段上微调LTX-Video并引入深度一致性损失，在留出测试集上取得CD-FVD 199.19（对比SurgSora的546.82）与FVD 224.28，并展示用生成视频增强稀缺动作后真实测试集上动作识别F1提升（clipping 20.93%→43.14%，cutting 0.00%→8.33%），以及从仿真器导出轨迹渲染器械-组织交互视频的初步可行性。

该工作提出Surgical Action World（SAW），把视频到视频扩散重构为轨迹条件的手术动作合成，仅以语言提示、参考首帧、组织可操作区域掩码和2D器械尖端轨迹四个轻量信号为条件，在自建的12,044段腹腔镜视频片段上微调LTX-Video并引入深度一致性损失，在留出测试集上取得CD-FVD 199.19（对比SurgSora的546.82）与FVD 224.28，并展示用生成视频增强稀缺动作后真实测试集上动作识别F1提升（clipping 20.93%→43.14%，cutting 0.00%→8.33%），以及从仿真器导出轨迹渲染器械-组织交互视频的初步可行性。