双视角世界模型扩散 Transformer 架构图（可编辑 PPT）

概览

这张可编辑的 PowerPoint 架构图展示了一个用于持续世界建模的双视角（主体与观察者）视频扩散 Transformer。图稿依据 CC BY 4.0 许可，改编自论文原图。

图中内容

面板 (a) 中，变换后的帧、条件图和带噪潜变量通过通道拼接，融合成蓝色和粉色两条 token 序列，另有历史 token 和绿色的汇聚（sink）token。它们一起送入共享模块：模块内有自注意力，以及分别由相机位姿 P^o 和 P^a 驱动的观察者交叉注意力与主体交叉注意力，最终输出去噪结果 Ẑ。面板 (b) 展示一张高分辨率全景图经过透视变换，得到前、左、右、后四个视图，再拼接成汇聚 token。面板、注意力模块、token 单元、虚线 token 分组、连接线、ⓒ/⊕ 运算符和数学标注都是原生形状，可以直接改成你需要的样式。

文件格式

下载文件为单页 .pptx，尺寸 11.11 × 3.65 英寸，可在 PowerPoint、Keynote、WPS 和 LibreOffice Impress 中打开。Google 幻灯片也能打开，但版式可能会有细微偏移。另附全分辨率的 preview.png 和一张 1200 px 宽的网页预览图。

形状与编辑

文件共含 167 个元素：146 个原生可编辑形状（53 个自选图形、69 个文本框、19 条线条或连接符、5 条自由曲线）和 21 张嵌入位图。数学标注已经分组，每个标注可以整体移动。所有文字和数学标注（Z_hist、X_warp、C、Z、P、Ẑ、{z^v_os}_v）都能编辑，面板边框和标签、注意力模块、每个 token 单元和虚线分组、拼接运算符、箭头，以及全景图上的红色视场框也都可以修改。

嵌入图片与字体

21 张嵌入的 PNG 图片包括：面板 (a) 中的 12 张堆叠缩略图（变换后的帧、青色和粉色条件图以及噪声潜变量，每种都分成前后两张卡片）、2×2 的汇聚视图缩略图，以及面板 (b) 中的 4 张透视视图和全景图。全景图上的红色框已从像素中去除，并以原生自由曲线重新绘制在上方。这些 PNG 保持原图分辨率（小缩略图，约每英寸 100 像素），如需大幅打印，建议换成你自己的图片。标签文字使用 Calibri，数学部分使用 Cambria，少数帽子符号使用 DejaVu Serif。缺少的字体会被替换，个别数学标注可能需要微调位置。数学上下标由定位文本框和文字拼成，并不是公式对象。这是为方便复用而忠实重绘的版本，并非论文作者的原始源文件。