VLA / 视觉-语言-动作模型

2604.06168 2026-04-16 cs.CV cs.RO 62%

Action Images: End-to-End Policy Learning via Multiview Video Generation

动作图像：通过多视图视频生成实现端到端策略学习

Haoyu Zhen, Zixian Gao, Qiao Sun, Yilin Zhao, Yuncong Yang, Yilun Du, Pengsheng Guo, Tsun-Hsuan Wang, Yi-Ling Qiao, Chuang Gan

机构 * UMass Amherst（马萨诸塞大学阿默斯特分校）； NVIDIA（英伟达）； Harvard University（哈佛大学）； Genesis AI

专题命中动作表示与策略：action model(abstract)；分类 cs.RO、cs.CV

AI总结本文提出Action Images，通过多视图视频生成实现策略学习，利用像素化的动作表示，使视频模型本身成为零样本策略，提升视频-动作联合生成质量。