HunyuanWorld-Voyager:单图生成世界一致 3D 点云视频
视频扩散框架,从单张图片按自定义相机轨迹生成世界一致的 3D 点云序列与对齐的深度/RGB 视频。
HunyuanWorld-Voyager 是视频扩散框架,从单张图片出发,按用户定义的相机路径生成世界一致的 3D 点云序列,可沿自定义轨迹生成用于场景探索的 3D 一致场景视频,并输出对齐的深度与 RGB 视频以便直接进行 3D 重建。架构包含两部分:世界一致视频扩散(联合生成对齐的 RGB 与深度序列,并以已有世界观测为条件保证全局一致)与远距离世界探索(带点剔除的世界缓存、自回归推理与平滑视频采样,实现上下文感知的场景扩展)。训练使用自动化视频重建管线(相机位姿估计与度量深度预测)构建超过 10 万段视频片段的数据集,涵盖真实拍摄与 Unreal Engine 合成渲染。540p 生成需至少 60GB 显存,推荐 80GB,已在 Linux 与单卡 80G 上测试;提供单卡推理、基于 xDiT 的多卡并行推理与 Gradio 演示。README 给出在 WorldScore Benchmark 上与多种方法的量化对比。