論文の概要: MechVerse: Evaluating Physical Motion Consistency in Video Generation Models

• arxiv url: http://arxiv.org/abs/2605.14843v1
• Date: Thu, 14 May 2026 13:48:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.854108
• Title: MechVerse: Evaluating Physical Motion Consistency in Video Generation Models
• Title（参考訳）: MechVerse:ビデオ生成モデルにおける物理運動の整合性の評価
• Authors: Rahul Jain, Mayank Patel, Asim Unmesh, Karthik Ramani,
• Abstract要約: MechVerseは、機械的に一貫した画像-ビデオ生成のためのベンチマークである。 標準ビデオメトリクスを用いて,プロプライエタリ,オープンソース,微調整による映像合成モデルの評価を行った。 その結果、現在のモデルでは機械的に許容できる運動を発生させるのに失敗しながら外観や滑らかさを保てることが示された。
• 参考スコア（独自算出の注目度）: 12.882634043776507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text- and image-conditioned video generation models have achieved strong visual fidelity and temporal coherence, but they often fail to generate motion governed by kinematic and geometric constraints. In these settings, object parts must remain rigid, maintain contact or coupling with neighboring components, and transfer motion consistently across connected parts. These requirements are especially explicit in articulated mechanical assemblies, where motion is constrained by rigid-link geometry, contact/coupling relations, and transmission through kinematic chains. A generated video may therefore appear plausible while violating the intended mechanism, such as rotating a part that should translate, deforming a rigid component, breaking coupling between parts, or failing to move downstream components. To evaluate this gap, We introduce MechVerse, a benchmark for mechanically consistent image-to-video generation. MechVerse contains 21,156 synthetic clips from 1,357 mechanical assemblies across 141 categories, organized into three tiers of increasing kinematic complexity: independent articulation, pairwise coupling, and densely coupled multi-part mechanisms. Each clip is paired with a structured prompt describing part identities, stationary supports, moving components, motion primitives, direction, speed/extent, and inter-part dependencies. We evaluate proprietary, open-source, and fine-tuned image-to-video models using standard video metrics, instruction-following scores, and human judgments of motion correctness and kinematic coupling. Results show that current models can preserve appearance and smoothness while failing to generate mechanically admissible motion, with errors increasing as coupling complexity grows. MechVerse provides a benchmark for measuring and improving mechanism-aware video generation from image and language inputs.
• Abstract（参考訳）: テキストおよび画像条件付きビデオ生成モデルは、強い視覚的忠実度と時間的コヒーレンスを達成するが、運動や幾何学的制約によって支配される動きを生成できないことが多い。 これらの設定では、オブジェクト部品は厳密なままで、隣のコンポーネントとの接触や結合を維持し、接続された部品を一貫して移動させなければならない。 これらの要件は特に、剛体リンク幾何学、接触/結合関係、およびキネマティック連鎖を通しての伝達によって運動が制限される機械集合において明示的である。 したがって、生成されたビデオは、翻訳すべき部分を回転させたり、固い部品を変形させたり、部品間の結合を壊したり、下流の部品を動かさないように、意図したメカニズムに違反しているように見える。 このギャップを評価するために,機械的に一貫した画像-映像生成のためのベンチマークであるMechVerseを紹介する。 MechVerseは、141カテゴリにわたる1,357の機械的集合体から合成された21,156個のクリップを含み、独立的な調音、ペア結合、密結合された多部分機構という3つの階層に分けられる。 各クリップは、部分ID、静止サポート、移動コンポーネント、移動プリミティブ、方向、速度/過渡、部品間の依存関係を記述する構造化プロンプトとペアリングされる。 我々は,標準的なビデオメトリクス,指示追従スコア,動きの正しさと運動的結合の人的判断を用いて,プロプライエタリでオープンソースで微調整された映像モデルを評価する。 その結果、現在のモデルでは、機械的に許容できる動きを起こさなくても外観や滑らかさを保ち、結合複雑性が増大するにつれて誤差が増加することが示された。 MechVerseは、画像および言語入力からのメカニズム対応のビデオ生成の測定と改善のためのベンチマークを提供する。

関連論文リスト

• Learning Reactive Human Motion Generation from Paired Interaction Data Using Transformer-Based Models [0.0]
  本研究は,対話シナリオにおける他者の動作に基づいて,ある人物の動作を生成する問題に対処する。 簡単なTransformer、iTransformer、Crossformerの3つのモデルを実装し比較する。 実験結果から, 簡易トランスフォーマーは姿勢崩壊に悩まされることなく, 可塑性相互作用を意識した動作を生成できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-24T02:27:13Z)
• HECTOR: Hybrid Editable Compositional Object References for Video Generation [23.216951224722127]
  HECTORは、きめ細かい構成制御を可能にする生成パイプラインである。 ハイブリッドリファレンスコンディショニングをサポートし、静的イメージや動的ビデオによって生成を同時にガイドすることができる。 既存の手法に比べて優れた視覚的品質、より強力な参照保存、動き制御性の向上を実現している。
  論文  参考訳（メタデータ） (2026-03-09T19:09:40Z)
• PAct: Part-Decomposed Single-View Articulated Object Generation [45.04652409374895]
  アーティキュレートされたオブジェクトは、AI、ロボティクス、VR/ARなど、インタラクティブな3Dアプリケーションの中心である。 明示的な部分認識条件下で部分幾何学, 構成, 調音を合成する, 調音オブジェクト生成のための部分中心生成フレームワークを提案する。 我々の表現は、オブジェクトを可動部品の集合としてモデル化し、それぞれ、部品のアイデンティティと調音の手がかりを付加した潜在トークンで符号化する。
  論文  参考訳（メタデータ） (2026-02-16T17:45:44Z)
• SpriteHand: Real-Time Versatile Hand-Object Interaction with Autoregressive Video Generation [64.3409486422946]
  本研究では,手動インタラクションビデオのリアルタイム合成のための自動回帰ビデオ生成フレームワークSpriteHandを提案する。 我々のモデルは自己回帰生成のための因果推論アーキテクチャを採用し、視覚リアリズムと時間的コヒーレンスを高めるために学習後のハイブリッドアプローチを活用している。 実験は、生成的ベースラインとエンジンベースラインの両方と比較して、視覚的品質、物理的妥当性、相互作用の忠実さが優れていることを示した。
  論文  参考訳（メタデータ） (2025-12-01T18:13:40Z)
• VideoArtGS: Building Digital Twins of Articulated Objects from Monocular Video [60.63575135514847]
  モノクロビデオから音声化されたオブジェクトのデジタルツインを構築することは、コンピュータビジョンにおいて重要な課題である。 本稿では,モノクロ映像から高忠実度デジタル双対を再構成する新しい手法であるVideoArtGSを紹介する。 VideoArtGSは、調音およびメッシュ再構成における最先端性能を示し、既存の方法に比べて約2桁の再現誤差を低減している。
  論文  参考訳（メタデータ） (2025-09-22T11:52:02Z)
• DYNAMO: Dependency-Aware Deep Learning Framework for Articulated Assembly Motion Prediction [12.882634043776507]
  MechBenchは、693の多様な合成歯車集合体と、部分的な接地構造運動軌跡のベンチマークデータセットである。 分割CAD点雲から直接,部品ごとのSE(3)運動軌跡を予測する依存認識型ニューラルモデルDYNAMOを提案する。 MechBench と DYNAMO は共に,CAD アセンブリにおける結合機械運動のデータ駆動学習の体系的枠組みを確立した。
  論文  参考訳（メタデータ） (2025-09-15T20:32:56Z)
• Part$^{2}$GS: Part-aware Modeling of Articulated Objects using 3D Gaussian Splatting [9.432567695900184]
  Part$2$GSは、高忠実度幾何を持つ多部オブジェクトの調音されたデジタルツインをモデル化するための新しいフレームワークである。 物理的に一貫した運動を保証するために,物理に基づく制約によって導かれる運動認識の標準表現を提案する。 Part$2$GSは、可動部品に対するChamfer Distanceにおいて、最先端のメソッドを最大10$times$で一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-06-20T17:59:12Z)
• VideoJAM: Joint Appearance-Motion Representations for Enhanced Motion Generation in Video Models [71.9811050853964]
  VideoJAMは、ビデオジェネレータの前に効果的な動きを注入する新しいフレームワークである。 VideoJAMは動きコヒーレンスにおける最先端のパフォーマンスを達成する。 これらの知見は、外観と動きが相補的であり、効果的に統合されると、映像生成の視覚的品質とコヒーレンスの両方を高めることを強調した。
  論文  参考訳（メタデータ） (2025-02-04T17:07:10Z)
• InterDyn: Controllable Interactive Dynamics with Video Diffusion Models [50.38647583839384]
  我々は、初期フレームと駆動対象またはアクターの動作を符号化する制御信号が与えられたインタラクティブな動画像を生成するフレームワークであるInterDynを提案する。 我々の重要な洞察は、大規模なビデオ生成モデルは、大規模ビデオデータからインタラクティブなダイナミクスを学習し、ニューラルと暗黙の物理シミュレーターの両方として機能できるということです。
  論文  参考訳（メタデータ） (2024-12-16T13:57:02Z)
• TC-Bench: Benchmarking Temporal Compositionality in Text-to-Video and Image-to-Video Generation [97.96178992465511]
  生成したビデオは、新しい概念の出現と、時間経過とともに現実の動画のようにそれらの関係の遷移を取り入れるべきである、と我々は主張する。 ビデオ生成モデルの時間構成性を評価するため,細部まで作り上げたテキストプロンプトのベンチマークであるTC-Benchと,それに対応する地上の真理ビデオ,ロバストな評価指標を提案する。
  論文  参考訳（メタデータ） (2024-06-12T21:41:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。