腾讯开源具备原生 3D 重建能力的超长程世界模型：HunyuanWorld-Voyager

腾讯近日正式发布了HunyuanWorld-Voyager，这是一种创新的视频扩散框架，旨在通过单张输入图像生成具备世界一致性的3D 点云，支持用户按自定义的相机路径进行沉浸式探索。

官方表示，这全球首个具备原生3D 重建功能的超远距离世界模型，重新定义 AI 驱动的 VR、游戏和仿真空间智能。此模型不仅能够生成精确对齐的深度信息和 RGB 视频，还能够在不进行后处理的情况下，直接用于高质量的三维重建。

• 直接3D 输出：无需 COLMAP 等工具即可将点云视频导出为3D 格式，实现即时3D 应用。
• 创新的3D 内存：引入可扩展的世界缓存机制，确保任何摄像机轨迹的几何一致性。
• 顶级性能：在斯坦福 WorldScore 测试中排名第一，在视频生成和3D 重建基准测试中表现出色

HunyuanWorld-Voyager的架构包含两个关键组件。首先是 “世界一致的视频扩散”，该组件提出了一种统一的架构，可以基于已有的世界观测，同时生成准确对齐的 RGB 视频和深度视频序列，从而确保全局场景的一致性。其次是 “长距离世界探索”，它采用了一种高效的世界缓存机制，结合点云剔除和自回归推理能力，支持迭代场景扩展，并通过上下文感知的一致性技术实现平滑的视频采样。

为了训练 HunyuanWorld-Voyager 模型，研究团队构建了一套可扩展的数据构建引擎。这一自动化视频重建流水线能够对任意输入视频自动估计相机位姿和度量深度，因此无需依赖人工标注，从而实现大规模、多样化训练数据的构建。基于此流水线，HunyuanWorld-Voyager 整合了真实世界采集和虚幻引擎渲染的视频资源，构建了一个包含超过10万个视频片段的大规模数据集。

在实验评估中，HunyuanWorld-Voyager 在视频生成质量方面表现出色。与四种开源的相机可控视频生成方法进行了对比，结果显示该模型在 PSNR、SSIM 和 LPIPS 等指标上均优于其他模型，证明了其卓越的视频生成质量。同时，在场景重建方面，HunyuanWorld-Voyager 的生成视频在几何一致性上也显现出更好的效果。

此外，HunyuanWorld-Voyager 在 WorldScore 静态基准测试中获得了最高分，证明了其在相机运动控制和空间一致性方面的优越性。这一成果不仅展示了混元世界模型的潜力，还为未来的3D 场景生成技术开辟了新路径。