教机器人学会找路，难点不只是“看懂房间”，还得让它反复走动、碰壁和改道。真实场景扫描昂贵，纯合成房间又容易与现实脱节。Image2Sim试图把现成的图像与视频转成可交互环境，为具身导航——让机器人或虚拟角色按目标在空间中移动——补充训练场景。
它的关键做法是把“空间骨架”和“眼前画面”分开处理：先从带相机位置的 RGB-D 图像序列建立三维表示；RGB-D 即彩色图外加逐像素距离，既告诉系统看见什么，也告诉它有多远。随后，生成模型补出智能体移动后应看到的全景画面，同时由明确的几何与碰撞规则约束可走路线。论文称，系统在单张 RTX 4090 上可约以每秒 40 帧生成全景 RGB-D，并从图像和视频构建近 2 万个互动场景、合成逾 1000 万条导航训练样本。
作者报告，仅在这些神经模拟环境中训练的模型，能在主要基准上获得提升，并零样本迁移到真实环境。论文未在所给材料中提供对应的具体分数，因此更值得关注的是这条扩展路径：不必逐个手工搭建三维世界，也能把大量被动影像改造成可练习找路的场地。