机器狗在仿真里练得再熟，到了现实也可能被深度相机“骗到”：反光、距离和快速运动会让深度图——逐像素记录物体距离的图——出现空洞或误差。过去常靠手调滤波器补救，但参数会随场景变化。DAWN把去噪直接放进学习过程，瞄准仿真训练与真实环境之间的落差。
它的关键做法很直观：训练时让世界模型——机器人用来预测环境变化的内部模型——读取带噪深度图，却要求它还原干净深度图；同时拉近干净与带噪数据在模型内部的表示。这样，模型学的是哪些信息属于地形、哪些只是噪声，而非部署前再调一套滤镜。
作者报告，DAWN在仿真楼梯、沟壑和台阶任务中的平均成功率为96.9%，补上基线模型与“干净深度”理想条件之间77%的差距；无需手工校准滤波器，Unitree Go1也完成了零样本现实部署，包括18厘米楼梯、70厘米沟壑和45厘米台阶。上述效果均来自论文自述。