본 논문은 시간적 일관성과 기하학적 일관성을 모두 갖춘 비디오 생성을 목표로, 다중 뷰 3D 일관성을 강화하는 4D 비디오 생성 모델을 제안합니다. 모델 학습 과정에서 크로스-뷰 포인트맵 정렬을 통해 기하학적 감독을 수행하여 공유 3D 표현 학습을 가능하게 합니다. 이를 통해 카메라 자세 입력 없이 RGB-D 관측만으로 새로운 관점에서의 미래 비디오 시퀀스 예측이 가능해집니다. 실험 결과, 기존 방법들보다 시뮬레이션 및 실제 로봇 데이터셋에서 시각적으로 안정적이고 공간적으로 정렬된 예측 결과를 보이며, 예측된 4D 비디오를 이용해 로봇 말단장치 궤적을 복원하여 강력한 로봇 조작 및 새로운 카메라 관점으로의 일반화를 지원함을 보여줍니다.
