論文の概要: Distilling Physical Priors into Streaming World Models

• arxiv url: http://arxiv.org/abs/2608.07981v1
• Date: Sat, 08 Aug 2026 07:35:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.591947
• Title: Distilling Physical Priors into Streaming World Models
• Title（参考訳）: 物理プライオリティをストリーミングワールドモデルに織り込む
• Abstract要約: ストリーミングワールドモデルは、長い地平線上で物理的に一貫性のあるダイナミクスを維持しながら、将来の視覚状態をオンラインで予測する。 一般的なアプローチでは、訓練済みの双方向DiTを数ステップの因果生成器に蒸留する。 本稿では,PhySについて述べる。PhySは物理前駆体をストリーミングワールドモデルに蒸留するための3段階のフレームワークである。
• 参考スコア（独自算出の注目度）: 45.85891751971656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Streaming world models predict future visual states online while maintaining physically coherent dynamics over long horizons. However, their rollouts often violate basic physical constraints. A common approach distills pretrained bidirectional DiTs into few-step causal generators. However, this paradigm suffers from two fundamental limitations: generic bidirectional teachers acquire limited physical priors from visually oriented pretraining, and the limited priors suffer further loss during bidirectional-to-causal distillation. We present PhyS, a three-stage framework for distilling physical priors into streaming world models. To acquire physical priors from real-world interactions, we construct PhyS-120K, a dataset of 120K real-world physical-interaction videos spanning rigid-body dynamics, soft-body deformation, fluid phenomena, and phase transitions. Each video is annotated with structured descriptions of object properties and causal state transitions. Physics-aware supervised fine-tuning injects the physical priors into a bidirectional 14B DiT teacher, which we then distill into a lightweight 1.3B causal DiT for few-step autoregressive streaming generation. Finally, we use online reinforcement learning to incentivize the distilled model to generate physically plausible rollouts and further propose Temporal Credit Routing (TCR) to address temporal credit assignment. TCR evaluates physical consistency over overlapping temporal windows and routes the resulting group-relative advantages to temporally aligned denoising actions. On PhysicsIQ, PhyS improves the Wan2.1-14B teacher by 18.2\% and the Self Forcing, Rolling Forcing, and Causal Forcing by 23.7\%, 14.8\%, and 31.4\%, respectively. Results also improve the physics-aware video benchmarks VideoPhy, VideoPhy2, and PhyGenBench. The dataset, code, and more sample videos are available on our Project Page.
• Abstract（参考訳）: ストリーミングワールドモデルは、長い地平線上で物理的に一貫性のあるダイナミクスを維持しながら、将来の視覚状態をオンラインで予測する。 しかし、ロールアウトはしばしば基本的な物理的制約に違反する。 一般的なアプローチでは、訓練済みの双方向DiTを数ステップの因果生成器に蒸留する。 しかし、このパラダイムには2つの基本的な制限がある: 汎用的な双方向教師は、視覚的に指向した事前訓練から限定された物理的事前学習を取得し、限定された事前学習は、双方向から因果的蒸留においてさらなる損失を被る。 本稿では,PhySについて述べる。PhySは物理前駆体をストリーミングワールドモデルに蒸留するための3段階のフレームワークである。 実世界の相互作用から物理先行性を得るため、剛体力学、軟体変形、流体現象、相転移を対象とする120Kの実世界の物理相互作用ビデオのデータセットであるPhyS-120Kを構築した。 各ビデオは、オブジェクト特性と因果状態遷移の構造化された記述で注釈付けされている。 物理を意識した微調整は、物理先行を双方向14B DiT教師に注入し、数ステップの自己回帰ストリーミング生成のために軽量1.3Bの因果DiTに蒸留する。 最後に、オンライン強化学習を用いて蒸留モデルにインセンティブを与え、物理的に妥当なロールアウトを生成するとともに、時間的信用割当に対応するための時間的クレジットルーティング(TCR)を提案する。 TCRは、時間的ウィンドウの重なり合う物理的一貫性を評価し、グループ相対的な利点を時間的に整列する行動にルートする。 物理IQでは、PhySはWan2.1-14Bの教師を18.2\%改善し、セルフフォース、ローリングフォース、コーサルフォースを23.7\%、14.8\%、そして31.4\%改善した。 また、物理を意識したビデオベンチマークであるVideoPhy、VideoPhy2、PhyGenBenchも改善された。 データセット、コード、さらに多くのサンプルビデオが、Project Pageで公開されています。

関連論文リスト

• PhysStream: Streaming Physics-Grounded Video Generation with Structured Scene Memory and Fine-Grained Motion Control [85.54736105647055]
  PhysStreamは物理地上画像合成のための自己回帰モデルである。 スパース速度インクリメント信号による微粒な動き制御をサポートする。 PhysStreamは、ウィジェット内比較の85%以上において、人間の評価者によって好まれる。
  論文  参考訳（メタデータ） (2026-09-15T17:55:13Z)
• Enhancing Video Physical Consistency via Role-aware Joint Training and Modality-decoupled Denoising [34.53788048190625]
  ビデオ拡散モデルにおける物理的整合性を改善するための微調整フレームワークである textbfVPT を提案する。 VPTは、エージェント、制御されたオブジェクト、受動的オブジェクト、バックグラウンドにエンティティをグループ化するロール認識シグナルを導入し、異なる物理ロールをより明確にモデル化することができる。 実験の結果、VPTは視覚的品質を維持しながら物理的な一貫性を改善し、Wan2.1-T2V-1.3BよりもSAが39.4%、PCが17.9%向上し、VideoPhy-2ベンチマークは一貫して改善されている。
  論文  参考訳（メタデータ） (2026-07-06T04:18:28Z)
• Physics-Informed Video Generation via Mixture-of-Experts Latent Alignment [22.58885733358214]
  textbfPILA (Physics-Informed Latent Alignment) は、物理構造による遅延ガイダンスをビデオモデルのフローマッチング力学に注入するフレームワークである。 PILAは、VBench-2.0、VideoPhy-2、PhyGenBenchの視覚的品質とベンチマークによる物理的妥当性の両面で、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2026-06-03T11:20:00Z)
• Proprio: Latent Self-Scoring and Inference-Time Refinement for Physically Plausible Video Generation [78.41956766048308]
  Proprioは、凍結したジェネレータが自身の出力の物理的妥当性を評価し改善することを可能にする、トレーニング不要のフレームワークである。 自己運動の生物学的感覚であるプロプリセプションにインスパイアされたプロプリオは、モデルの流れを自己刺激信号として扱う。 Proprioは、テキスト・ツー・ビデオ・ベンチマークと画像・ツー・ビデオ・ベンチマークの物理的妥当性を一貫して改善する。
  論文  参考訳（メタデータ） (2026-05-27T09:44:18Z)
• PhyCo: Learning Controllable Physical Priors for Generative Motion [55.59209981836171]
  本稿では,ビデオ生成に連続的,解釈可能,物理的に接地された制御を導入するフレームワークであるPhyCoを紹介する。 i) 摩擦, 再構成, 変形, 力が様々なシナリオで体系的に変化する100K以上のフォトリアリスティック・シミュレーション・ビデオの大規模データセット, (ii) 物理制御された拡散モデルの微調整, (iii) VLM誘導報酬最適化, 微調整された視覚言語モデルにより、対象とする物理クエリを用いて生成されたビデオを評価し、異なるフィードバックを提供する。
  論文  参考訳（メタデータ） (2026-04-30T17:53:03Z)
• ReconPhys: Reconstruct Appearance and Physical Attributes from Single Video [51.2815592637053]
  ReconPhysは、単一の単眼ビデオから物理的属性推定と3次元ガウススプラッティング再構成を共同で学習するフィードフォワードフレームワークである。 提案手法では, 自己教師型戦略を用いて訓練したデュアルブランチアーキテクチャを用いて, 地上の物理ラベルの必要性を解消する。 大規模合成データセットの実験は優れた性能を示した。
  論文  参考訳（メタデータ） (2026-04-09T06:51:14Z)
• MMPhysVideo: Scaling Physical Plausibility in Video Generation via Joint Multimodal Modeling [55.72785604682579]
  MMPhysVideoは、共同マルチモーダルモデリングにおけるビデオ生成における物理的可視性を拡大するフレームワークである。 MMPhysVideoは、様々なベンチマークで高度なモデルよりも、物理的な可視性と視覚的品質を一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-03T07:32:24Z)
• PhysVideoGenerator: Towards Physically Aware Video Generation via Latent Physics Guidance [2.2606796828967823]
  現在のビデオ生成モデルは高品質な美的ビデオを生成するが、現実の物理力学の表現を学ぶのに苦労することが多い。 本稿では、ビデオ生成プロセスに先立って学習可能な物理を組み込む概念実証フレームワークであるPhysVideoGeneratorを提案する。 本稿では,事前学習したビデオジョイント埋め込み予測アーキテクチャから抽出した高レベルな物理特徴を抑圧する軽量な予測器ネットワークPredictorPを紹介する。
  論文  参考訳（メタデータ） (2026-01-07T07:38:58Z)
• 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)
• PhysFormer++: Facial Video-based Physiological Measurement with SlowFast Temporal Difference Transformer [76.40106756572644]
  最近のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙な手がかりのマイニングに重点を置いている。 本稿では,PhysFormerとPhys++++をベースとした2つのエンドツーエンドビデオ変換器を提案する。 4つのベンチマークデータセットで総合的な実験を行い、時間内テストとクロスデータセットテストの両方において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-02-07T15:56:03Z)

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。