확산 기반 세계 모델
VAE로 얻은 비디오 잠재공간에서 denoising diffusion 과정으로 미래 프레임을 생성하는 구조로, 잡음을 주입하고 회귀하는 역확산 훈련으로 시공간적 일관성을 확보한다.