연구진이 자율 주행의 액션 일반화 성능을 높이기 위해 단일 마스크 변조 디퓨전 트랜스포머 기반의 통합 비디오-액션 모델 UNIVERSE를 제안했어요.
UNIVERSE는 미래 비디오 잠재력과 에고-궤적 토큰을 공유 생성 파라미터 내에서 공동 훈련하여, 밀집 비디오 감독이 궤적 디노이징을 직접적으로 형성하도록 합니다.
Modality-Decoupling Visibility Mask를 도입하여 원인-결과 유효성을 확보하고 테스트 시 미래 비디오 디노이징을 제거하여 궤적 전용 추론을 가능하게 하여 4.3배 속도 향상을 달성했어요.