論文の概要: Physics-Aware Video Generation via Agentic Planning and Graph-Guided Optimization
- arxiv url: http://arxiv.org/abs/2609.13006v1
- Date: Thu, 16 Jul 2026 15:25:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.510636
- Title: Physics-Aware Video Generation via Agentic Planning and Graph-Guided Optimization
- Title（参考訳）: エージェント計画とグラフ誘導最適化による物理対応映像生成
- Abstract要約: ビデオ拡散モデル (VDM) は視覚的に魅力的だが、幻覚と物理的に理解不能なダイナミクスを特徴とする因果非論理的シーケンスを生成する。
トレーニング不要なテストタイム最適化を通じて物理的な意識を注入することは、有望な選択肢だ。
PysPlanは、視覚的な物理シミュレーションからエージェント的な物理シミュレーションへパラダイムをシフトさせる、新しいトレーニングフリーガイダンスフレームワークである。
- 参考スコア（独自算出の注目度）: 28.819404107472497
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Video diffusion models (VDMs) have demonstrated remarkable capabilities in synthesizing high-fidelity, photorealistic video content. However, they fundamentally lack an intrinsic understanding of physical laws and frequently produce visually appealing but causally illogical sequences characterized by structural hallucinations and physically implausible dynamics. Injecting physical awareness via training-free test-time optimization is a promising alternative, yet existing methods rely on global gradient updates and rigid scheduling heuristics that inadvertently corrupt passive backgrounds and fail to model complex dynamic state changes. To address this, we propose PhysPlan, a novel training-free guidance framework that shifts the paradigm from stochastic visual interpolation to agentic physics simulation. First, a VLM operates as an iterative cognitive simulator, decomposing multimodal inputs into a Chain-of-Visual-Thought to create a multimodal representation of kinematic trajectories and 3D depth geometries. Second, these signals drives an object-centric test-time optimization. Unlike prior training-free methods that rely on global gradients and rigid scheduling heuristics, PhysPlan introduces Object-Centric Gradient Routing to isolate kinematic modifications and completely lock the passive environment. Furthermore, our Kinetic Intensity Profiling dynamically parameterizes framework hyperparameters to accommodate the varying severity of physical deformations. Extensive evaluations on the PhyGenBench and Physics-IQ benchmarks demonstrate that PhysPlan significantly outperforms both foundational and controllable VDM baselines, offering a promising approach for improving the physical understanding of video generation.
- Abstract（参考訳）: ビデオ拡散モデル (VDM) は高忠実でフォトリアリスティックな映像コンテンツを合成する際, 顕著な機能を示した。
しかし、それらは本質的に物理的法則の本質的な理解を欠き、しばしば視覚的に魅力的だが、構造的幻覚と物理的に不可解な力学によって特徴づけられる因果的非論理的シーケンスを生じる。
トレーニング不要なテスト時間最適化による物理的な認識を注入することは有望な方法だが、既存の手法はグローバルな勾配更新と厳密なスケジューリングヒューリスティックに依存している。
そこで本研究では,確率的視覚補間からエージェント物理シミュレーションへパラダイムをシフトさせる,新しいトレーニングフリーガイダンスフレームワークであるPhysPlanを提案する。
第一に、VLMは反復的認知シミュレータとして機能し、マルチモーダル入力をChain-of-Visual-Thoughtに分解し、運動軌道と3次元深度幾何学のマルチモーダル表現を生成する。
第二に、これらの信号はオブジェクト中心のテスト時間最適化を駆動する。
グローバル勾配と厳密なスケジューリングヒューリスティックに依存する以前のトレーニング不要の手法とは異なり、PhysPlanは、運動学的修正を分離し、受動的環境を完全にロックするために、オブジェクト中心のグラディエントルーティングを導入している。
さらに,運動強度プロファイリングは,物理変形の重大度に応じて動的にパラメータ化を行う。
PhyGenBench と Physics-IQ ベンチマークの大規模な評価は、PhysPlan が基礎的および制御可能な VDM ベースラインを著しく上回り、ビデオ生成の物理的理解を改善するための有望なアプローチを提供することを示している。
関連論文リスト
- Learning Explicit Physical Parameter Control and Benchmarking for Video Generation [21.331326205371628]
本稿では,物体レベルの力,質量,摩擦,再生,シーンレベルの重力を条件とした物理誘導映像拡散モデルPhyParamを提案する。
また、PhyParam-Benchは、画像とビデオの生成における物理法則の整合性を示すベンチマークである。
論文 参考訳（メタデータ） (2026-07-21T10:06:55Z) - PhysAgent: Reflective Agentic Physics Control for Physically Plausible Video Generation [68.13035350819901]
PhysAgentは物理プログラム生成、物理シミュレーション、ステージ固有の検証、ターゲットプログラム修復のループを閉じるフレームワークである。
我々のフレームワークは、より物理的に妥当なビデオを生成し、より優れたプロンプトアライメントを実現し、多様な物理的シナリオにわたってより効果的に一般化する。
論文 参考訳（メタデータ） (2026-07-17T08:55:09Z) - PhysiFormer: Learning to Simulate Mechanics in World Space [56.16644631495]
物理的に表現可能な3次元物体運動のための拡散変換器であるPhysorFormerを提案する。
世界座標で表される3Dメッシュとしてオブジェクトを表す。
これは、軌道精度、剛性保存、運動量に基づく物理的一貫性において、自己回帰ベースラインを大幅に上回る。
論文 参考訳（メタデータ） (2026-06-25T17:59:00Z) - 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) - 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) - PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models [100.65199317765608]
物理原理は現実的な視覚シミュレーションには基本的だが、トランスフォーマーベースのビデオ生成において重要な監視対象である。
本研究では,物理衝突ルールを高次元空間に直接適用した映像生成モデルのための物理認識強化学習パラダイムを提案する。
このパラダイムを、MDcycle(Mimicry-Discovery Cycle)と呼ばれる統合フレームワークに拡張することで、大幅な微調整を可能にします。
論文 参考訳（メタデータ） (2026-01-16T08:40:10Z) - ProPhy: Progressive Physical Alignment for Dynamic World Simulation [55.456455952212416]
ProPhyは、明示的な物理認識条件付けと異方性生成を可能にするプログレッシブ物理アライメントフレームワークである。
ProPhyは既存の最先端手法よりもリアルでダイナミックで物理的に一貫性のある結果が得られることを示す。
論文 参考訳（メタデータ） (2025-12-05T09:39:26Z) - 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) - PhyMAGIC: Physical Motion-Aware Generative Inference with Confidence-guided LLM [17.554471769834453]
一つの画像から物理的に一貫した動きを生成するトレーニング不要のフレームワークであるPhyMAGICを提案する。
PhyMAGICは、事前訓練された画像間拡散モデル、LDMによる信頼誘導推論、微分可能な物理シミュレータを統合する。
総合的な実験により、PhyMAGICは最先端のビデオジェネレータや物理対応のベースラインより優れていることが示された。
論文 参考訳（メタデータ） (2025-05-22T09:40:34Z)
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。