semantic-wm

该项目实现了一种面向机器人任务的语义感知型潜在扩散世界模型（Semantic World Model），用于生成动作条件下的机器人视频并评估策略。核心功能包括支持多种视觉编码器（如V-JEPA、SigLIP、DINOv2等）、语义适配器（S-VAE）压缩高维特征至紧凑扩散空间、轻量级像素解码器，以及多目标训练（Flow Matching/DDPM）和多视角建模能力。其技术特点是强调语义一致性而非像素保真度，在动作理解、任务进度建模与下游策略泛化方面优于传统重建式潜空间。适用于具身智能、机器人仿真训练、视觉-动作联合建模等研究场景。