Totem：物体中心3D记忆的视频生成框架

2026年10月14日，arXiv Computer Vision 刊出 Zichen Wan 等作者的论文，提出名为 Totem 的以对象为中心的 3D 记忆框架，用于生成世界一致的视频。据该报道，Totem 将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，并赋予其独立状态；随后通过双流 3D 条件架构，结合对象记忆与场景几何来合成目标视角，并利用 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。报道称，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。目前该事件仅有这一篇报道，尚无后续跟进或相互矛盾的说法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。