論文の概要: When Physical Preferences Meet Semantic Constraints: Physical and Semantic Direct Preference Optimization for Text-to-Video Generation

• arxiv url: http://arxiv.org/abs/2607.16947v1
• Date: Sat, 18 Jul 2026 20:03:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.308546
• Title: When Physical Preferences Meet Semantic Constraints: Physical and Semantic Direct Preference Optimization for Text-to-Video Generation
• Title（参考訳）: セマンティック制約(Semantic Constraints):テキスト対ビデオ生成のための物理およびセマンティック直接参照最適化
• Abstract要約: テキスト・ツー・ビデオ(T2V)生成モデルは強力なビジュアルリアリズムを実現しているが、物理的妥当性の向上は、入力テキストとのセマンティック一貫性の犠牲になる可能性がある。 物理信号と意味信号の一致に基づいて各好みペアのコントリビューションを変調する物理および意味的直接選好最適化(PSDPO)を提案する。 実験により、PSDPOはVBench上での強いセマンティック一貫性を維持しながら、VPhy-2のベースライン上で最大2ドル以上の物理的可視性を向上し、既存の嗜好ベースの方法よりも信頼性の高いバランスを実現する。
• 参考スコア（独自算出の注目度）: 17.610397245959966
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-video (T2V) generation models have achieved strong visual realism, but improving physical plausibility can come at the cost of semantic consistency with the input text. This tension arises because physical preference is typically determined by comparing dynamics between two videos, without accounting for whether either video faithfully depicts the scene specified by the prompt, making physical-semantic conflict a systematic tendency under this supervision paradigm. We formulate this challenge as a constrained preference optimization problem and propose Physical and Semantic Direct Preference Optimization (PSDPO), which modulates each preference pair's contribution based on the agreement between its physical and semantic signals. A gradient-level analysis shows that PSDPO bounds the semantic drift from conflicting pairs to a controllable residual, and further motivates a staged optimization protocol that provably reduces cumulative drift. The resulting method operates entirely within the standard DPO framework, requiring no auxiliary models or additional loss terms. Experiments show that PSDPO improves physical plausibility by up to $2\times$ over the baseline on VideoPhy-2, while maintaining strong semantic consistency on VBench, achieving a more reliable balance than existing preference-based methods.
• Abstract（参考訳）: テキスト・ツー・ビデオ(T2V)生成モデルは強力なビジュアルリアリズムを実現しているが、物理的妥当性の向上は、入力テキストとのセマンティック一貫性の犠牲になる可能性がある。 この緊張は、ビデオがプロンプトによって特定されたシーンを忠実に描写するかどうかを考慮せずに、2つのビデオ間のダイナミクスを比較することによって、身体的嗜好が決定されるためである。 本稿では、この課題を制約付き嗜好最適化問題として定式化し、物理信号と意味信号の一致に基づいて各選好対の寄与を変調する物理・意味的直接選好最適化(PSDPO)を提案する。 勾配レベルの分析では、PSDPOは競合するペアから制御可能な残差にセマンティックドリフトを束縛し、さらに累積ドリフトを確実に減少させるステージ最適化プロトコルを動機付けている。 結果として得られる方法は標準のDPOフレームワーク内で完全に動作し、補助的なモデルや追加の損失項を必要としない。 実験によると、PSDPOはVBench上での強いセマンティック一貫性を維持しながら、VPhy-2のベースライン上で最大2ドル以上の物理可視性を向上し、既存の嗜好ベースの方法よりも信頼性の高いバランスを実現する。

関連論文リスト

• PEA-DPO: Perception-Enhanced Alignment Direct Preference Optimization for MLLMs Alignment [34.498065511310195]
  視覚不感を克服するために,知覚強調適応DPO(PEA-DPO)を提案する。 PEA-DPOは視覚的不感度を効果的に軽減し、より強力なマルチモーダルアライメントを実現し、幻覚を著しく減少させる。 PEA-DPOは視覚的不感度を効果的に軽減し、より強力なマルチモーダルアライメントを実現し、幻覚を著しく減少させる。
  論文  参考訳（メタデータ） (2026-08-20T03:35:07Z)
• HarmoniDPO: Video-guided Audio Generation via Preference-Optimized Diffusion [28.023691371821965]
  Video-to-audio (V2A) の生成は、正確な時間同期と高い知覚品質を達成する上での課題に直面している。 本稿では、好みに基づく最適化と拡散に基づくV2A生成を統合する新しいフレームワークであるHarmoniDPOを提案する。
  論文  参考訳（メタデータ） (2026-08-12T10:45:26Z)
• D2PO: Optimizing Diffusion Samplers via Dynamic Preference [55.530862428116244]
  D2POは拡散サンプリングポリシーを最適化するための原則的なフレームワークである。 動的選好を導入し、アライメントに使用するサンプルを徐々に改善する。 実験により、D2POは拡散サンプリング器と知覚的品質をより忠実に整列することが示された。
  論文  参考訳（メタデータ） (2026-07-07T06:05:42Z)
• P$^2$-DPO: Grounding Hallucination in Perceptual Processing via Calibration Direct Preference Optimization [55.74731799669337]
  幻覚は近年、LVLM(Large Vision-Language Models)において大きな研究の注目を集めている。 直接選好最適化(DPO)は、人間が提供した修正選好から直接学習することを目的としている。 既存の選好ペアは視覚に依存しないことが多く、その本質的に非政治的な性質は、モデル学習を導く上での有効性を制限している。 本稿では、モデルが独自の選好ペアから生成し学習する新しい訓練パラダイムである知覚処理直接選好最適化(P$2$-DPO)を提案する。
  論文  参考訳（メタデータ） (2026-06-02T09:22:53Z)
• LaST-R1: Reinforcing Robotic Manipulation via Adaptive Physical Latent Reasoning [90.86828952599147]
  提案するLaST-R1(LaST-R1)は,「最近の推論・行動」政策を活用するために設計された,新しい強化学習フレームワークである。 LaST-R1 は LIBERO ベンチマークで 99.9% の平均成功率を達成した。 実世界の展開では、LaST-R1はSOTAが監督する微調整アプローチよりも22.5%平均的に改善されている。
  論文  参考訳（メタデータ） (2026-04-30T17:59:52Z)
• Model Agnostic Preference Optimization for Medical Image Segmentation [5.289507655906182]
  優先度最適化は、相対的な優先順位信号に基づくスケーラブルな監視パラダイムを提供する。 我々は,Dropout-driven segmentation仮説を用いたトレーニングフレームワークMAPO(Model-A Preference Optimization)を提案する。 MAPOは完全に次元に依存しない2D/3D CNNとTransformerベースのセグメンテーションパイプラインをサポートする。
  論文  参考訳（メタデータ） (2025-12-17T01:50:52Z)
• Content Adaptive based Motion Alignment Framework for Learned Video Compression [72.13599533975413]
  本稿では,コンテンツ適応型モーションアライメントフレームワークを提案する。 まず、粗いオフセット予測とマスク変調により動き補償を洗練させる2段階の流動誘導変形防止機構を導入する。 第2に,基準品質に基づいて歪み重みを調整するマルチ参照品質認識戦略を提案する。 第3に,スムーズな動き推定を得るために,フレームを大きさと解像度でダウンサンプルするトレーニングフリーモジュールを統合する。
  論文  参考訳（メタデータ） (2025-12-15T02:51:47Z)
• BideDPO: Conditional Image Generation with Simultaneous Text and Condition Alignment [53.94214054918876]
  条件付き画像生成は、構造的、空間的、スタイリスティックな事前のテキストと画像の合成を強化する。 現在の手法では、ソース間の競合を処理する上で、課題に直面している。 双方向分離型DPOフレームワーク(BideDPO)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:20:11Z)
• PhysCorr: Dual-Reward DPO for Physics-Constrained Text-to-Video Generation with Automated Preference Selection [10.498184571108995]
  本稿では,ビデオ生成における物理一貫性をモデリング,評価,最適化するための統合フレームワークであるPhysCorrを提案する。 具体的には、物体内安定性と物体間相互作用の両方を定量化する最初の2次元報酬モデルである物理RMを紹介する。 我々のアプローチは、モデルに依存しないスケーラブルで、幅広いビデオ拡散とトランスフォーマーベースのバックボーンへのシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-11-06T02:40:57Z)
• Sem-DPO: Mitigating Semantic Inconsistency in Preference Optimization for Prompt Engineering [5.568436850698628]
  Sem-DPOは意味的一貫性を維持しながら、その単純さと効率を維持するDPOの亜種である。 本研究は,Sem-DPOが原文の有界近傍で学習のプロンプトを継続していることを示す。 3つの標準テキスト-画像のプロンプト-最適化ベンチマークと2つの言語モデルにおいて、Sem-DPOはDPOよりもCLIPの類似度が8-12%高く、5-9%高いHPSv2.1、PickScore)。
  論文  参考訳（メタデータ） (2025-07-27T05:20:13Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。