arXiv · cs.AI· Jeremy Collins, Namra Patel, Ayush Agarwal, Shitij Govil, Animesh Garg·· 15 小时前
FloMo：将 3D 场景流作为世界动作模型中间表示，从人类视频中学习
FloMo: 3D Scene Flow as a World Action Model Intermediate for Learning from Human Video
AI 导读
FloMo 是一个 5B 视频生成模型，经微调后预测 3D 场景流与动作 token，把场景流渲染为 RGB 并编码进与视频相同的 latent 空间，使预训练视频生成骨干能高效适配 3D 场景流预测。
来源：arXiv · cs.AI · arxiv.org