ロボット操作向け行動条件付き動画世界モデル「DreamX-Phi 1.0」を発表

記事の3ポイント

1. 1

   幾何学的構造の維持

   PRoPE スタイルの幾何学的符号化をアテンションに注入し、各アームの SE(3) 変換を考慮することで、ロボットアームのアイデンティティと剛体運動構造を正確に保つ。

2. 2

   物体整合性の確保

   軽量な深さブランチと SAM3 マスク、凍結された V-JEPA ティーチャーを活用し、把持中もシーンレベルの幾何学や操作対象物の整合性を維持する。

3. 3

   効率的な展開

   分布マッチング蒸留を用いて多ステップ生成器を少数ステップの学生モデルに圧縮し、実運用における効率性を高めている。