WLA$^3$: World Latent Action Modeling for Semantics, Dynamics, and Kinematics
本文提出WLA³模型，通过学习世界状态变化来解决多源数据下动作监督不足的问题，利用人类第一视角视频和机器人轨迹提高动作识别准确性。
0 citationsRead paper
Selected work
Representative Papers
Multi-Modal Controlled Coherent Motion Generation
本文针对3D虚拟人物多模态同步输入下的自然行为生成问题，提出MOCO框架，通过迭代扩散模型处理语音、文本等多模态数据，生成连贯且逼真的动作。
0 citationsRead paper
PIC: Revisiting INR for Image Coding with Fast Encoding and Sub-Millisecond Decoding
该研究提出了一种前馈INR图像编码架构PIC，解决了INR编码速度慢和解码效率低的问题，实现了快速编码与毫秒级解码。
0 citationsRead paper
Building Pretraining Data for World Models: An Unreal Engine-Based Pipeline for Action-Conditioned Video Generation
为了解决动作条件视频模型数据获取难题，本文提出基于虚幻引擎的两阶段合成数据生成管道，生成大规模动作条件多视角视频。
0 citationsRead paper
Unfold The World: Factorize 4D Properties in Reinforcing Spatial Reasoning
本文针对视觉-语言模型在物理世界空间推理上的局限，提出FactoSR框架，通过分解为平面对应、深度一致性和时间可逆性三个子目标，强化4D一致性，提升3D和4D推理能力。
0 citationsRead paper
Recent publications
Latest Papers
WLA$^3$: World Latent Action Modeling for Semantics, Dynamics, and Kinematics
本文提出WLA³模型，通过学习世界状态变化来解决多源数据下动作监督不足的问题，利用人类第一视角视频和机器人轨迹提高动作识别准确性。
0 citationsRead paper
Multi-Modal Controlled Coherent Motion Generation
本文针对3D虚拟人物多模态同步输入下的自然行为生成问题，提出MOCO框架，通过迭代扩散模型处理语音、文本等多模态数据，生成连贯且逼真的动作。
0 citationsRead paper
PIC: Revisiting INR for Image Coding with Fast Encoding and Sub-Millisecond Decoding
该研究提出了一种前馈INR图像编码架构PIC，解决了INR编码速度慢和解码效率低的问题，实现了快速编码与毫秒级解码。
0 citationsRead paper
Building Pretraining Data for World Models: An Unreal Engine-Based Pipeline for Action-Conditioned Video Generation
为了解决动作条件视频模型数据获取难题，本文提出基于虚幻引擎的两阶段合成数据生成管道，生成大规模动作条件多视角视频。
0 citationsRead paper
Unfold The World: Factorize 4D Properties in Reinforcing Spatial Reasoning
本文针对视觉-语言模型在物理世界空间推理上的局限，提出FactoSR框架，通过分解为平面对应、深度一致性和时间可逆性三个子目标，强化4D一致性，提升3D和4D推理能力。
0 citationsRead paper