DisCo：具有离散摄像机运动控制的世界模型

可控视频世界模型的目标是交互式世界探索，其中模型必须忠实地执行明确的动作命令，同时保持视觉质量和时间连贯性。然而，大多数现有方法依赖连续的摄像机轨迹作为动作条件，这通常会导致不可靠的动作跟随，特别是在复杂的运动序列下。在这项工作中，我们将动作表示纠缠确定为可控视频生成的关键瓶颈，并表明连续的摄像机表示会导致不同运动模式之间的特征高度相似，从而降低动作的可控性。基于这一见解，我们提出了 DisCo，一种可控视频世界模型，它在一组紧凑的离散动作基元上调节生成，以提高动作可分离性。我们进一步介绍了 DisCoBench，这是一个评估模型在短期、长期和高度动态探索场景中能力的综合基准。大量实验表明，DisCo 在保持视觉质量的同时实现了更可靠的动作跟随。