世界モデル（world models）は限られた情報から外界をモデル化することで、将来の外界の状態や観測を予測し、学習に活かすことができる。また、時空間予測では、深層生成モデルを利用した強化学習手法が注目されている。生成モデルにおいては拡散モデルを基盤としたImagenやStable-diffusionが高い画像生成能力を発揮できることで知られている。本研究では、World ModelsにおけるVision部に従来のβ-VAEに合わせて潜在拡散モデル（LDM）を追加し、LSTMの隠れ状態などからより良い潜在表現を生成する手法を提案し、既存のβ-VAEを用いた手法との比較を行う。
