Totem：面向世界一致视频生成的以对象为中心 3D 记忆框架

Totem 是一个以对象为中心的 3D 记忆框架，用于生成世界一致的视频。它把每个选定对象表示为对齐到共享世界坐标系的持久 3D 记忆并赋予独立状态，再通过双流 3D 条件架构结合对象记忆与场景几何合成目标视角，并用 3D 结构信息约束模型注意力以保留物体表面与相对空间布局。在世界生成和以对象为中心的基准上，Totem 在挑战性相机轨迹下生成的视频具有更好的对象一致性。