Newest papers

PICA-WAM: Visual Perturbation Invariance via Cross-Appearance Self-Alignment in World Action Models

Yude Zou, Yifei Yao, Guanbo Jiao, Jianming Ma, Guanjie Zheng, Xing Gao · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26813 · open-access PDF

Hindi

विश्व कार्रवाई मॉडल (WAMs) संयुक्त रूप से भविष्य के वीडियो की भविष्यवाणी करते हैं और कार्रवाई उत्पन्न करते हैं, फिर भी कार्य-असंगत दृश्य विकारों के प्रति संवेदनशील रहते हैं, अर्थात्, दृश्य उपस्थिति में परिवर्तन जो रोबोट व्यवहार को प्रभावित नहीं करना चाहिए। हम पारंपरिक WAM प्रशिक्षण में एक अंतरिक्ष की पहचान करते हैं: वीडियो पूर्वानुमान उपस्थिति जानकारी को बनाए रखने के लिए प्रतिनिधित्वों को प्रोत्साहित करता है, जबकि कार्रवाई उत्पन्न कार्य-असंगत उपस्थिति के लिए अनिवार्यता को स्पष्ट रूप से लागू नहीं करता है।

Machine translation (Meta M2M100); the English original follows.

Abstract

World Action Models (WAMs) jointly predict future video and generate actions, yet remain sensitive to task-irrelevant visual perturbations, i.e., changes in visual appearance that should not affect robot behavior. We identify a gap in conventional WAM training: video prediction encourages representations to preserve appearance information, while action generation does not explicitly enforce invariance to task-irrelevant appearance. Data augmentation exposes WAMs to such perturbations but does not require perturbed and nominal observations to produce consistent action representations, and align

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange