ECCV 2026 | 一段视频，重建一个可仿真的动态世界

机器人走出实验室后，训练数据不再只是 “多不多” 的问题：环境能否覆盖真实世界的尺度、遮挡、接触和运动，直接决定策略能否落地。Real2Sim 因此重新受到关注 —— 如果普通视频也能变成可交互的仿真场景，采集成本会比人工建模或专用设备低得多。

难点在于，视频里看见的世界并不等于物理引擎可用的世界。现有 4D 重建常以隐式场、Gaussian primitives 或点云为结果，适合新视角渲染，却很难直接拆出独立对象，也缺少封闭 Mesh、真实尺度和稳定的时序运动。

OVOW（One Video, One World）给出的答案很直接：从一段普通单目视频出发，把场景拆成实例，补全几何，恢复尺度与运动，再按照重力、接触和支撑关系重新组装，最终得到可以进入物理引擎的 4D Mesh 世界。该工作由清华大学、中国科学技术大学、SparcAI 等团队完成，已被 ECCV 2026 接收。

OVOW：从单目视频出发，恢复实例级 4D Mesh 世界，并将其送入物理仿真

• 论文标题：One Video, One World: Turning Monocular Video into Physical 4D Scenes
• 项目主页：https://onevideooneworld.github.io/
• 论文：https://arxiv.org/abs/2606.31388
• 代码：https://github.com/SparcAI-Inc/OVOW

从 “能渲染” 到 “能仿真”

OVOW 的突破不只是 “重建得像”，而是输出可编辑、可碰撞的实例级 Mesh：刚体记录真实尺度与逐帧 6-DoF 位姿，非刚体保留拓扑一致的时序形变。对象因此能被单独移动、删除或替换。

系统还会估计地面和重力，修正悬浮、穿透与错误支撑；单张图片也可作为一帧视频处理。

Image-to-3D Reconstruction：每组左侧为输入图像，右侧为 OVOW 恢复的实例级 3D Mesh 场景。系统能够在单图条件下恢复独立对象、完整几何与空间布局。图片来源：OVOW 论文 Figure 5 / 项目主页。

一条从视频到物理世界的流水线

整条流水线不另训专用大模型，而是串联视觉基础模型，依次完成场景理解、几何与运动恢复、物理组装。

OVOW 方法总览（阶段 1–3）：从视频中的对象发现与运动分类出发，分别恢复静态/刚体 Mesh、可变形 Mesh 序列、真实尺度与逐帧运动

系统先识别实例与运动类型并生成跨帧掩码，再补全遮挡区域，恢复静态、刚体及可变形对象的 Mesh；随后估计真实尺度与逐帧运动，最后校正地面、重力、悬浮、穿透和支撑关系。

关键设计｜不依赖预定义骨架或类别模板，直接用顶点形变统一描述静态、刚体与非刚性运动。

一套表示，覆盖静态、刚体与非刚性运动

OVOW 以实例 Mesh 为底座，将整体轨迹与局部形变分开，因而能同时处理车辆、飞机等刚体，以及飞鹰、北极熊等非刚体。

案例一｜桌面刚体

动态 GIF：左侧为黑色越野车、哑铃与花盆组成的输入视频，右侧为 OVOW 恢复的实例级 4D Mesh 场景。画面来自 OVOW 项目主页官方演示

案例二｜室内多对象

动态 GIF：左侧为黑色越野车、哑铃与花盆组成的输入视频，右侧为 OVOW 恢复的实例级 4D Mesh 场景。画面来自 OVOW 项目主页官方演示

案例三｜飞鹰形变

动态 GIF：左侧为野外飞鹰视频，右侧为 OVOW 恢复的拓扑一致非刚性 4D Mesh。画面来自 OVOW 项目主页官方演示

案例四｜机场多刚体

动态 GIF：左侧为机场多对象视频，右侧为 OVOW 恢复的实例级刚体 Mesh 场景。飞机、摆渡车与航站楼被分别重建。画面来自 OVOW 项目主页官方演示

案例五｜北极熊形变

动态 GIF：左侧为包含北极熊及多个物体的视频，右侧为 OVOW 恢复的实例级 4D Mesh 场景。画面来自 OVOW 项目主页官方演示

从重建结果到物理仿真的最后一公里

可仿真的关键，是改变初始条件后，场景仍能产生新结果。

仿真与编辑

OVOW 可重新摆放对象或施加外力，由物理引擎计算新的碰撞、倾倒和位移。

案例一｜原始布局

动态 GIF：OVOW 项目主页“Simulation and Editing”中的 Toy-Car Tabletop I。重建得到的黑色越野车、哑铃、花盆与桌面资产在新的初始状态下发生碰撞、倾倒与位移

案例二｜改变布局

动态 GIF：Toy-Car Tabletop II。花盆位于车辆前方，哑铃与书本采用新的初始位置；在重力与接触作用下，各实例产生与案例一不同的碰撞和位移

案例三｜重新组合

动态 GIF：Toy-Car Tabletop III。哑铃、花盆、书本与黑色越野车被重新组合，由同一组重建资产生成第三套倾倒、滑动与碰撞过程

三段动画复用同一组资产，仅改变初始布局便产生不同轨迹；这不是视频重放，而是物理引擎重新计算的结果。

重建质量与流水线可靠性

团队构建了各含 120 个场景的静态与动态基准，每个场景含 3–5 个对象，并提供 Mesh、轨迹、相机、深度和分割真值。

动态基准上，Scene-IoU-OBB 为 0.440、Object-IoU 为 0.210，速度为 3.35 秒 / 帧。运动类型识别、位姿恢复、有效场景与重力仿真稳定率分别为 95.4%、92.4%、86.8% 和 82.7%，速度较逐帧方法提升一至两个数量级。

当普通视频成为 Physical AI 的数据入口

对 Physical AI 而言，RGB 像素只是入口。策略训练真正需要的是对象边界、几何、尺度、轨迹，以及接触和支撑等能够被执行的状态。OVOW 把视频变成实例级 4D Mesh，再由仿真器改变布局、目标和外力，从同一段观测扩展出多组反事实交互轨迹。

这也使 OVOW 可以成为 D4RT 类数据管线的上游。D4RT 用统一的时空查询接口学习深度、相机和 3D 点轨迹，训练时从带真值轨迹的数据中采样时空查询；OVOW 则能提供对象级 Mesh、相机、深度和运动，并在仿真中生成更长、可控、带真值的 tracking 序列。两者并非同一种方法，但在数据生产上可以衔接：OVOW 负责把真实或生成视频变成可仿真的世界，再输出 D4RT 式重建与跟踪任务所需的训练样本。

数据链｜普通视频到实例级 4D Mesh，再到物理仿真、可控长时轨迹，以及 4D 重建、跟踪模型与机器人策略。

因此，OVOW 的价值不只是复现一段视频，而是把一次观测变成可以反复干预的数据源：重新摆放对象，制造碰撞、遮挡和长尾状态，再把这些原本很难采集的过程交给世界模型与机器人策略学习。

ONE VIDEO, ONE WORLD｜一段视频，记录的不应只是世界的外观；它也可以成为一个能够被理解、编辑和仿真的物理世界。

作者介绍

作者团队来自清华大学、中国科学技术大学、SparcAI、香港理工大学、电子科技大学、南洋理工大学，关注三维视觉、动态场景理解与具身智能。Junhao Chen 与 Boran Zhang 为共同一作，Yufei Wang 为通讯作者。