SWEET：基于图像编辑的稀疏世界建模用于具身任务执行

Yiren Song, Yihan Wang, Xiyao Deng, Zhuoran Yan, Mike Zheng Shou

2026

摘要

该论文提出SWEET框架，利用图像编辑模型生成任务相关的稀疏关键帧，替代密集视频生成，从而高效预测机器人操作中的未来状态。实验表明，图像编辑模型在视觉保真度和推理成本上优于视频生成模型，结合语言指令和空间引导可实现一步式视觉规划。

image editingsparse world modelkeyframe predictionrobot manipulationvisual planning

MANIPULATION

📊 2 引用

Yusen Li, Ziwei Wang, Xiangye Zhu 等 12 位作者

Robotics and Computer-Integrated Manufacturing · 2026

MANIPULATION

📊 1 引用

Shaoqing Qin, Lida Zhu, Yanpeng Hao 等 10 位作者

Robotics and Computer-Integrated Manufacturing · 2026

MANIPULATION

📊 0 引用

Bo Li, Yuanbo Zhao, Huijie Xiao 等 6 位作者

Robotics and Computer-Integrated Manufacturing · 2026

MANIPULATION

📊 0 引用

Hao Li, Yuhui Yu, Rui Fu 等 6 位作者

Robotics and Computer-Integrated Manufacturing · 2026