韩国科学技术院（KAIST）团队在2026年11月3日提交的论文中提出DreamX，尝试把预训练视频扩散模型改造成“通用潜在动作学习器”。论文将研究归入计算机视觉与模式识别方向，并同时涉及机器人学习。论文原文
DreamX关注的问题是：同一个动作在不同人体、机器人、环境和外观条件下，视频表现可能差异很大，传统方法容易把动作本身与背景、形态等视觉因素混在一起。该方法利用视频模型的时空特征提取紧凑的潜在动作表示，并将每帧视频的表示规模压缩约300倍，从1200个令牌压缩至4个令牌。论文称，这种表示试图保留与动作相关的动态信息，同时减少对具体外观和执行载体的依赖。
论文报告称，DreamX在LARY-Bench上取得了潜在动作模型中的领先结果，并支持跨人体与机器人、跨环境以及跨动作参数化方式的迁移。研究还声称，该潜在空间可用于任意到任意的视频动作转换，以及零样本动作迁移；在策略学习场景中，较紧凑的动作空间可能降低视频扩散策略的计算成本。论文摘要与提交记录
这项工作的潜在价值在于，它把计算机视觉中的视频生成能力与机器人控制中的动作表示连接起来：视觉模型不只是识别视频内容，也可能被用作提炼“发生了什么动作”的中间接口。不过，当前信息主要来自论文预印本及作者自述，结果是否能稳定扩展到更多机器人形态、真实环境和长时序任务，仍需独立复现和实机验证。论文于2026年11月3日提交，尚不能据此认定其已形成成熟的产业化方案。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
