論文の概要: RigidBench: Evaluating Rigid-Body Physics in Video Generation Models
- arxiv url: http://arxiv.org/abs/2608.15555v1
- Date: Sun, 16 Aug 2026 06:05:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.337567
- Title: RigidBench: Evaluating Rigid-Body Physics in Video Generation Models
- Title（参考訳）: RigidBench:ビデオ生成モデルにおける剛体物理の評価
- Abstract要約: そこで本研究では,生成した継続と参照ロールアウトを同一の初期フレームと動作記述から比較したシミュレータグラウンドベンチマークを提案する。
同じ100の例で8つのモデルを評価し、これらの側面を分離する10の計測を行った。
完全な微調整により3次元軌道誤差は約20%減少し、SSIMはほとんど変化しない。
- 参考スコア（独自算出の注目度）: 16.53417077740312
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Video models are increasingly used to predict what happens next in a scene, yet the metrics commonly used to compare their outputs say little about whether the predicted objects move correctly. Motion, geometry, identity, background stability, and visual similarity can fail independently, but whole-frame scores often mix these errors together. We introduce RigidBench, a simulator-grounded benchmark that compares a generated continuation with a reference rollout from the same initial frame and motion description. Its five rigid-body tasks vary objects, materials, viewpoints, and indoor and outdoor scenes, with per-frame masks, depth, 6-DoF trajectories, and contacts available for scoring. We evaluate eight models on the same 100 examples with ten measurements that keep these aspects separate. The resulting rankings depend strongly on what is measured: no model leads on all ten, and across model means, higher SSIM accompanies larger 3D trajectory error (r = 0.89). RigidBench also includes 5,000 training videos with exact simulator state, which we use to fine-tune and analyze Wan 2.2 TI2V-5B. Full fine-tuning reduces 3D trajectory error by about 20% with almost no change in SSIM, while teacher-forced probes and targeted interventions show that object position is represented throughout Wan's diffusion transformer and used by its denoising computation.
- Abstract（参考訳）: ビデオモデルは、シーンの次に何が起こるかを予測するために使われることが多いが、それらの出力を比較するためによく使われるメトリクスは、予測されたオブジェクトが正しく動くかどうかについてはほとんど語らない。
動き、幾何学、アイデンティティ、背景安定性、視覚的類似性は独立して失敗することがあるが、フレーム全体のスコアはしばしばこれらのエラーを混合する。
リギッドベンチ (RigidBench) は, 初期フレームからの参照ロールアウトと, 動作記述との比較を行うシミュレータ・グラウンドベンチマークである。
その5つの厳密なボディタスクは、物体、材料、視点、屋内および屋外のシーンに、フレームごとのマスク、深さ、6-DoF軌道、スコアリング用のコンタクトがある。
同じ100の例で8つのモデルを評価し、これらの側面を分離する10の計測を行った。
結果のランクは測定対象に強く依存する: モデルが全10点を導くことはなく、モデル平均を通して、より高いSSIMはより大きな3次元軌道誤差(r = 0.89)を伴う。
RigidBenchには5000のトレーニングビデオと正確なシミュレータ状態が含まれており、Wan 2.2 TI2V-5Bの微調整と分析に使用しています。
フル微調整により,SSIMのほとんど変更なしに3次元軌道誤差が約20%削減される一方,教師力によるプローブと対象介入は,Wanの拡散変換器を通して対象位置が表現され,その分極計算で使用されることを示す。
関連論文リスト
- RoboPhys-3D: A Comprehensive Embodied World Model Evaluation via 3D Reconstruction [24.674633972725804]
我々は,RoboTwin 2.0上に構築された3DグラウンドのEWM(Embodied World Model)ベンチマークであるRoboPhys-3Dを紹介する。
RoboPhys-3Dの明確な特徴は、生成されたビデオと地上の映像が同じ3D再構成パイプラインで処理されることである。
このベンチマークでは、50の補完的なメトリクスを、ピクセルレベルの忠実度、3次元の幾何整合性、状態レベルの理解、タスクレベルの完全性という、4つのレベルにわたる18のサブディメンジョンにまとめている。
論文 参考訳（メタデータ） (2026-08-28T09:44:13Z) - GAUGE: A Measurement-Grounded Benchmark for Physical Fidelity in Simulation Engines and Video World Models [66.77745044586173]
GAUGEは、数値シミュレータと生成ビデオワールドモデルがどのように現実の物理学から再現または逸脱するかを評価するための実世界の診断ベンチマークである。
一般化された軌道誤差を用いて14のタスクファミリー上でIsaac Sim,Genesis,Newtonをベンチマークし,5つの剛体タスクに対して6つのイメージ・ツー・ビデオモデルを評価する。
この結果から, 衝撃的接触, 高速繊維運動, 体積変形に起因する最大の相違点を有する一様忠実な物理エンジンは見つからなかった。
論文 参考訳（メタデータ） (2026-08-06T12:19:38Z) - KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding [58.541098216700796]
エンボディド・ワールド・モデルの 物理的整合性を評価することは 重要なオープン・チャレンジです
既存のフレームワークはほとんどがアクション抽出に逆ダイナミクスモデル(IDM)に依存している。
IDMのないEWMのためのクローズドループベンチマークであるKineBenchを紹介する。
論文 参考訳（メタデータ） (2026-07-22T08:04:17Z) - PhysisForcing: Physics Reinforced World Simulator for Robotic Manipulation [37.9748770367306]
ビデオ生成モデルは、一貫性のないロボットとオブジェクトの相互作用を含む、物理的に不可解な操作を生成することができる。
本研究では,物理インフォーマティブ領域の監督に焦点をあて,身体の整合性を高めるためのトレーニングフレームワークであるPhys Forcingを提案する。
実験の結果,Phys Forcing は強いベースラインよりも常にエンボディドビデオ生成を改善していることがわかった。
論文 参考訳（メタデータ） (2026-06-26T14:30:18Z) - Pose6DAug: Physically Plausible Multi-view Object Swapping for Robot Data Augmentation [52.61098793949261]
障害駆動型データ拡張フレームワークであるPose6DAugを紹介します。
我々は、ポリシーの成功エピソードを、障害モードのターゲットとなるデモに変換する。
提案手法は,時間的コヒーレントな6次元ポーズ軌道によって駆動される明示的なメッシュで対象物体を固定し,直接3次元で動作させる。
論文 参考訳（メタデータ） (2026-06-18T11:41:25Z) - What-If World: A Causal Benchmark for General World Models in Embodied Scenarios [23.527918480081013]
ビデオ生成モデルは、運転やロボット操作といったタスクのための世界シミュレータとして、ますます使われている。
これらの設定で重要なのは、単一のビデオが正しく見えるかどうかではなく、入力が変わったときにモデルの出力が変わるかどうかです。
我々は、同じシーンを1つの物理的詳細で記述した2つのプロンプトをモデルに与え、この2つのビデオが物理の予測方法が異なるかどうかを確認することによって、これを検証した。
論文 参考訳（メタデータ） (2026-05-26T19:02:26Z) - Towards High-Consistency Embodied World Model with Multi-View Trajectory Videos [24.111891848073288]
身体的世界モデルは、視覚的な観察と行動を通じて物理的世界と予測し、相互作用することを目的としている。
MTV-Worldは正確なビジュモータ予測のためのマルチビュートラジェクトリ・ビデオ制御を導入した。
MTV-Worldは、複雑なデュアルアームシナリオにおける正確な制御実行と正確な物理的相互作用モデリングを実現する。
論文 参考訳（メタデータ） (2025-11-17T02:17:04Z) - DO3D: Self-supervised Learning of Decomposed Object-aware 3D Motion and
Depth from Monocular Videos [76.01906393673897]
本研究では,モノクラービデオから3次元運動と深度を協調的に学習する自己教師手法を提案する。
本システムでは,深度を推定する深度推定モジュールと,エゴモーションと3次元物体の動きを推定する新しい分解対象3次元運動推定モジュールを備える。
我々のモデルは評価されたすべての設定において優れたパフォーマンスを提供する。
論文 参考訳（メタデータ） (2024-03-09T12:22:46Z) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳（メタデータ） (2023-10-11T05:34:36Z) - Learning to Segment Rigid Motions from Two Frames [72.14906744113125]
本研究では, 運動場から独立物体の動きを復元する幾何学的解析により, モジュラーネットワークを提案する。
2つの連続フレームを入力とし、背景のセグメンテーションマスクと複数の剛体移動オブジェクトを予測し、3次元の剛体変換によってパラメータ化する。
本手法はkittiおよびsintelにおける剛体運動セグメンテーションの最先端性能を実現する。
論文 参考訳（メタデータ） (2021-01-11T04:20:30Z)
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。