UniWorld-View登顶WorldScore榜单，世界模型新突破

新视角合成的难点在于“大基线”——仅给AI一张正脸，要求推断侧脸甚至后脑勺。过去NeRF、3DGS等重建路线依赖多角度数据，单目视频视角覆盖不足易产生空洞伪影；生成式路线虽能“敢画”，但大多将相机位姿作为抽象条件向量塞入扩散模型，缺乏显式3D建模，大角度下容易失控。

近年研究如ViewCrafter、英伟达GEN3C采用几何模型将画面撑成3D点云，再将目标视角的点云渲染图喂给视频扩散模型，相机控制显著提升。但UniWorld-View团队发现，点云渲染本身存在两个关键问题：前景与背景撕裂（深度边界无连接信息，视角变化时纹理被扯到背景上）和背面漏光（点云无“面”概念，相机绕到背后时正面点直接透过来）。

针对点云渲染的缺陷，UniWorld-View提出遮挡感知点云渲染。第一步是双重投影：将源画面投影到目标视角再原路投影回来，无法“回来”的像素即为遮挡区域，沿相机轨迹逐帧累积成遮挡mask，渲染时挖掉这些区域，避免错误纹理误导生成模型。第二步是法向过滤：为每个点估计法向量，与视线方向计算夹角，背对相机的点直接剔除，解决背面漏光。

几何问题解决后，还需处理纹理细节缺失。UniWorld-View采用双流条件注入：几何流将点云渲染图+mask编码后加到潜变量上，确保生成内容贴合3D结构；外观流通过Ref-DiT模块，以新视角特征为Query、源视频特征为Key/Value做cross-attention，让模型从原视频中“翻素材”补全纹理，连点云伪影造成的模糊纹理也能修复。

UniWorld-View采用同一套模型、同一套代码完成单图3D生成和视频4D生成。对于动态视频，它将空间变换与时间推进解耦：先冻结时间在第一帧，绕场生成一圈静态环绕视图作为外观锚点；再在固定机位上生成同步多视角视频，每个机位第一帧用“定妆照”对齐，前景自遮挡通过迭代生成逐步补全。最终生成的多视角视频可用于4DGS优化，实现从单目随手拍到自由视角漫游的完整流程。

UniWorld-View已登顶李飞飞团队WorldScore榜单，训练数据来自北大系初创企业元空智能，并完成国产昇腾算力适配，代码与权重在GitHub开源。兔展智能团队表示，近期正将相关能力进一步产品化，推动视觉AI从模型走向实际应用。