自动驾驶技术的快速发展对驾驶世界模型（Driving World Models, DWMs）提出了更高的要求。现有的大多数模型只专注于未来场景的低级视觉表示（如RGB图像），或者是几何感知（如深度信息）。如何在同一框架内兼顾未来视觉生成与深度感知，仍然是当前驾驶世界模型发展的一大挑战。

为了解决这一问题，华中科技大学和百度的研究团队提出了一种全新的统一世界模型——UniFuture。该模型不仅能够生成逼真的未来场景，还能提供高精度的未来深度感知，确保场景的视觉一致性和几何一致性，并体现出了具备构造4D 世界模型的潜力，为自动驾驶系统的决策和规划提供了强有力的支持。

• 论文名称：Seeing the Future, Perceiving the Future: A Unified Driving World Model for Future Generation and Perception

• 论文链接：https://arxiv.org/abs/2503.13587

• 项目主页：https://dk-liang.github.io/UniFuture/

• 代码链接：https://github.com/dk-liang/UniFuture

1. 不同范式对比

图1 不同范式的自动驾驶世界模型

传统的驾驶世界模型主要分为两类（见图1）：

• a. 未来生成模型：专注于生成未来的视觉场景，但忽略了几何结构信息（如深度），在几何一致性方面表现不佳，难以提供有意义的空间推理。

• b. 深度感知模型：专注于提取几何信息以支持下游任务，通常是对当前场景进行预测，缺乏对未来场景演变的预测能力。

相比之下，本文提出的UniFuture可实现对未来场景的演化预测和感知，同时输出未来图像-深度，促进驾驶车辆对环境的理解。

2. 主要贡献

图2 训练流程图

UniFuture的核心思想是将图像和深度映射到共享的潜空间中，从而实现两者之间的自然转换和交互。

具体而言，研究团队利用预训练的图像自编码器（AE），直接将其权重共享给深度序列，避免了额外的深度AE预训练。

此外，为了增强图像和深度之间的交互，研究团队设计了多尺度交互机制（MLI），在多个尺度上优化图像和深度之间的相互作用，确保最终生成的图像不仅视觉真实，而且能准确预测空间关系，促进了高一致性的未来图像-深度生成。

图3 测试流程图

在推理阶段，UniFuture仅需输入当前图像，即可生成高一致性的未来图像-深度对。具体步骤如下：将输入图像编码为latent feature，并与噪声拼接。使用MLI增强的UNet进行多次去噪迭代。最终通过共享解码器生成具备高一致性的未来图像和深度图。

3. UniFuture的优势

• 高一致性与高精度：UniFuture通过图像生成和深度感知的结合，不仅提升了生成图像的视觉质量，还确保了深度预测的几何一致性。

• 高效跨模态学习：通过共享潜在空间，UniFuture实现了图像和深度感知之间的高效互动，确保了两者之间的强关联性和一致性。

• 广泛应用潜力：由于能同时生成未来场景的图像和深度信息，UniFuture还具备支持自动标注、构建4D world model的潜力。

4. 实验讨论

在nuScenes数据集上的广泛实验验证表明，UniFuture在未来场景生成与深度感知任务中均表现出色，超越了现有的专用模型。在未来场景生成任务中，UniFuture显著降低了生成图像的FID，证明了它在图像生成方面的高质量表现。

同时，UniFuture还在深度感知任务中取得了优异的成绩，相较于其他专门用于深度估计的模型，UniFuture在预测的深度精度（如AbsRel）方面具有明显的优势。

在未经过微调的情况下，UniFuture在Waymo数据集上也表现出色，进一步验证了其强大的泛化能力。

可视化也可以发现，UniFuture生成的场景图片和深度相比Vista (NeurIPS 24)和Marigold (CVPR 24)也更加合理和准确。尤其是，现有深度估计方法基本不具备针对未来场景的演化预测能力。

更重要的是，由于能同时生成未来图像和深度，UniFuture可重建出未来的3D点云场景，具备构建4D world model的潜力。

5. 总结

UniFuture通过创新的双潜空间共享（DLS）和多尺度潜交互（MLI）机制，成功实现了未来场景生成与深度感知的统一建模。

实验结果表明，该模型在生成和感知任务上均达到了最先进的性能，为自动驾驶领域的未来发展提供了新的思路和工具。未来的研究方向可以考虑扩展框架以纳入高层次的语义理解，从而进一步增强场景推理能力。