DeXplicit面向灵巧操作世界模型,解决动作条件视频生成把三维动力学、相机与外观合成纠缠在像素中而难以保持物体姿态一致的问题。它先做显式三维状态预测:给定初始场景与未来手部轨迹,轻量动力学网络用关节感知动作编码、共享物体级旋转平移和控制节点局部变形输出度量三维点及置信度,再做有界位姿修正与度量对齐细化;随后把初始图像VAE特征沿预测三维运动传输投影,配合置信度门控软掩码,让视频主干只补全不确定或新可见区域。在HOT3D、OakInk2、PhysTwin上,相对PointWorld的长期moved-point误差分别下降39.9%、28.0%、27.1%,HOT3D对象IoU+升至0.549;因果版逐块少步去噪,相对双向大模型配置提速57倍。消融表明结构化transport、场景轨迹、手部条件与外观传输递进改善动力学和视频指标。作者提醒生成未来可能误表达物理结果,不适合安全关键控制。
为什么重要 3D 先行把动力学与渲染解耦,视频生成器无需从像素隐式学物理,降低数据与算力需求,直接服务具身数据闭环的仿真与评估适合 从事具身智能世界模型、灵巧操作仿真与视频合成工程落地的研究者
注释 · 同一初始场景点与 3D 手关节轨迹输入,误差按有效 point-time 计数加权,单位 mm出自 Table 1(a)
注释 · 每一步在前一步基础上递增组件,误差为 L2 距离,单位 mm出自 Table 3



3D 动力学与视频合成分离,渲染器只做渲染而非隐式学世界规律
每关节特征含 wrist-relative 位置、位移 、bone 向量 及有效性标志,再加关节身份、手侧与时间嵌入
共享全局旋转/平移保证物体级 coherent 运输,K 个控制节点表达铰接与变形残差
初始外观经预测 3D 运动投影,软编辑掩码 _proj^t 决定哪些区域保留或交由生成器合成
注释 · 显式中间态让物体运动可测量、可监督,降低视频模型对隐式动力学的依赖出自 §4.1, §4.3