模型基强化学习（MBRL）通过在学习到的潜在动力学中规划，实现了高样本效率。但在出现未见过的视觉干扰（如背景变化、光照变化、相机位移）时，性能会显著下降。视觉干扰首先使编码器输出偏离分布，随后这些误差在规划时的递归潜在滚动中累积，导致两层脆弱性。VIGOR 提出在潜空间保持一致性，以实现零样本的视觉泛化，同时保留 MBRL 的样本效率。VIGOR 包含三部分互补机制：① 异构弱‑强增强，在同一批次中生成仅弱增强和弱‑强增强的潜视图；② 动力学层一致性，通过直接的潜回归，使转移预测对增强保持不变；③ 编码器层稳定化，在动力学层一致性施加的跨增强监督下，防止编码器漂移。实验在 DeepMind Control Suite（DMC）和 Robosuite 上进行，VIGOR 超越最先进的模型自由和模型基基线，在 DMC 上提升 3.4%，在 Robosuite 上提升 43.6%。消融实验表明 VIGOR 的鲁棒性与具体增强方式无关，换用不同扰动族的增强仍能保持强泛化，说明潜空间一致性是核心驱动因素。
点评：VIGOR 通过在潜空间强制一致性，有效抑制了视觉噪声的累积效应，实现了在未见干扰下的零样本适应，展示了模型基强化学习在现实视觉环境中的可行路径。