解耦外观与几何：两阶段扩散世界模型

研究者提出一种两阶段扩散世界模型，将几何与外观预测分离：先用动作条件扩散 transformer 预测 t+1 时刻深度，再以该深度为条件、无需动作输入生成同帧 RGB。在 CS:GO Dust 2 数据集上，该方法相比完全联合模型和纯 RGB 基线提升了深度精度与 RGB 保真度，并支持在无动作标签的 RGB-depth 数据上训练或微调。