# 隐式三维感知记忆

该工作提出 WorldCrafter，一个相机可控的自回归视频世界模型：它学习可被相机位姿查询的隐式三维感知记忆，把历史潜帧压缩成固定 token 预算的记忆标记，在去噪前注入视频扩散 Transformer，使单张图像或文本提示即可驱动分钟级的流式场景探索，并在静态与动态场景的重访一致性和相机控制准确度上优于所评估的基线，同时保留视觉质量。

该工作提出 WorldCrafter，一个相机可控的自回归视频世界模型：它学习可被相机位姿查询的隐式三维感知记忆，把历史潜帧压缩成固定 token 预算的记忆标记，在去噪前注入视频扩散 Transformer，使单张图像或文本提示即可驱动分钟级的流式场景探索，并在静态与动态场景的重访一致性和相机控制准确度上优于所评估的基线，同时保留视觉质量。