論文の概要: PhyProbe: Rethinking Physical Consistency Evaluation in Generated Videos
- arxiv url: http://arxiv.org/abs/2609.38377v1
- Date: Tue, 29 Sep 2026 18:35:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.593278
- Title: PhyProbe: Rethinking Physical Consistency Evaluation in Generated Videos
- Title（参考訳）: PhyProbe: 生成したビデオにおける物理的一貫性の評価を再考する
- Abstract要約: 本稿では,凍結前兆エンコーダから軽量スコアリングヘッドによるスカラー物理一貫性違反スコアに特徴をマッピングする評価器PhyProbeを紹介する。
PhyProbeは、一対のランク付け、ノイズの多いスカラーアノテーションの回帰、および不均一な管理源のキュレートされたセットに対するアンカーベースのキャリブレーションを組み合わせた統一された目的によって訓練される。
実験により、PhyProbeは、実際の生成および生成されたペアにまたがるほとんどのペアワイズベンチマークにおいて、様々な対応の下で、先行手法よりも優れた性能を示すことが示された。
PhyProbeは、ランクベースと線形メトリクスの密接な一致によって、人間の判断と強い相関を達成し、スコアが両方であることを示す
- 参考スコア（独自算出の注目度）: 60.78191036132455
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evaluating the physical consistency of generated videos remains a fundamental challenge. Existing approaches rely on off-the-shelf vision-language models, which can often be myopic to physical dynamics, or fine-tuned evaluators trained on human annotations, which overfit to dataset-specific cues and fail to generalize. A key challenge is that existing supervision sources provide either relative ordering or absolute scores, but not both reliably and consistently across varied settings. To this end, we introduce PhyProbe, an evaluator that extracts features from a frozen pretrained spatio-temporal encoder and maps them to a scalar physical consistency violation score via a lightweight scoring head. PhyProbe is trained through a unified objective combining pairwise ranking, regression on noisy scalar annotations, and anchor-based calibration over a curated set of heterogeneous supervision sources. Experiments show that PhyProbe outperforms prior methods on most pairwise benchmarks spanning real-generated and generated-generated pairs under varying correspondence, with the largest gains in no-correspondence and generated-generated settings where existing fine-tuned evaluators degrade sharply. PhyProbe achieves strong correlation with human judgments, with close agreement between rank-based and linear metrics, indicating that scores are both well ordered and anchored to a stable [0, 1] scale. Further, despite being trained on supervision indicative of physical consistency, without explicit general-preference labels, PhyProbe also performs competitively on human preference benchmarks: consistent with the observation that physics violations are entangled with broader quality degradations.
- Abstract（参考訳）: 生成されたビデオの物理的一貫性を評価することは、依然として根本的な課題である。
既存のアプローチは市販のビジョン言語モデルに依存しており、物理力学や、人間のアノテーションで訓練された微調整による評価が、データセット固有のキューに過度に適合し、一般化に失敗することが多い。
重要な課題は、既存の監督ソースが相対的な順序付けまたは絶対的なスコアを提供するが、信頼性と一貫性の両方をさまざまな設定で提供しないことだ。
この目的のために、凍結した時空間エンコーダから特徴を抽出し、軽量なスコアリングヘッドを介してスカラー物理整合性違反スコアにマッピングする評価器であるPhyProbeを導入する。
PhyProbeは、一対のランク付け、ノイズの多いスカラーアノテーションの回帰、および不均一な管理源のキュレートされたセットに対するアンカーベースのキャリブレーションを組み合わせた統一された目的によって訓練される。
実験により、PhyProbeは、実際の生成および生成されたペアにまたがるほとんどのペアワイズベンチマークにおいて、先行手法よりも優れた性能を示し、既存の微調整評価器が急激に劣化する非対応および生成された設定において、最大の利得が得られた。
PhyProbeは、ランクベースと線形メトリクスの密接な一致によって、人間の判断と強い相関を達成し、スコアが十分に順序付けられ、安定した[0, 1]スケールに固定されていることを示す。
さらにPhyProbeは、物理的な整合性を示すために訓練されているにもかかわらず、人間の嗜好ベンチマークで競争力を発揮し、物理違反がより広範な品質劣化と絡み合っているという観察と一致している。
関連論文リスト
- Reliability-Aware LLM Alignment from Inconsistent Human Feedback [8.848575171204729]
本稿では、不整合性フィードバックの影響を軽減するために、信頼性誘導型優先度最適化(RGPO)を提案する。
RGPOはアノテータの信頼性を推定し、ノイズの多い人間のフィードバックから潜在する真実ラベルを推定し、ロバストな嗜好を特定する。
実験により、RGPOはトレーニングデータにおける矛盾やノイズを効果的に低減し、広く採用されているRLHFベースラインと比較して優れた性能を実現する。
論文 参考訳（メタデータ） (2026-07-07T20:13:28Z) - PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception [75.70273182182397]
PerceptionRubricsはルーブリックベースの評価フレームワークである。
飽和ベンチマークスコアと現実世界の脆さのギャップに対処する。
1,038枚のインフォメーションセンス画像と1万個以上のインスタンス固有のルーリックをペアリングする。
論文 参考訳（メタデータ） (2026-06-26T17:59:15Z) - Probability-Conserving Flow Guidance [49.03107678763765]
Adaptive Manifold Guidance (AdaMaG)はリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
画像生成ベンチマーク全体で、AdaMaGはリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
論文 参考訳（メタデータ） (2026-05-19T16:34:01Z) - CriterAlign: Criterion-Centric Rationale Alignment for Code Preference Judging [95.02210956333374]
本稿では,一対の選好評価にルーブリックに基づく判断を適応させる基準中心のフレームワークを提案する。
BigCodeRewardでは、CriterAlignはQwen2.5-VL-32Bモノリシック判事を60.4%から66.3%に改善した。
論文 参考訳（メタデータ） (2026-05-19T10:59:19Z) - RubricBench: Aligning Model-Generated Rubrics with Human Standards [37.33662546555801]
逆モデル(Reward Model)は、単純な完了から、表面レベルのバイアスを軽減するために、複雑で高度な生成へと移行している。
既存のベンチマークには、差別的な複雑さと厳密な分析に必要な地味なアノテーションの両方が欠けている。
本稿では,ブルリック評価の信頼性を評価するために特別に設計された1,147対比較ベンチマークを提案する。
論文 参考訳（メタデータ） (2026-03-02T07:39:49Z) - COG: Confidence-aware Optimal Geometric Correspondence for Unsupervised Single-reference Novel Object Pose Estimation [11.409666919754747]
信頼を意識した最適幾何対応(COG)は、信頼を意識した最適輸送問題として対応推定を定式化する教師なしのフレームワークである。
COGは、ポイントワイズ信頼度を予測し、それらを最適な輸送限界として注入することでバランスの取れたソフト対応を生成し、重複しない領域を抑える。
実験により、教師なしCOGは教師付きメソッドに匹敵する性能を示し、教師付きCOGはそれらを上回る性能を示す。
論文 参考訳（メタデータ） (2026-02-28T06:23:47Z) - Consistency-aware Self-Training for Iterative-based Stereo Matching [13.079759982779013]
本稿では,反復型ステレオマッチングのための一貫性を考慮した自己学習フレームワークを提案する。
まず, 誤差が大きい地域では, モデル予測時により顕著な発振特性を示す傾向が見られた。
そこで我々は,疑似ラベルの重み付けを調整し,誤りの蓄積と性能劣化問題を軽減するために,整合性を考慮したソフトウェイトド・ロスを導入する。
論文 参考訳（メタデータ） (2025-03-31T05:58:25Z) - Self-supervised debiasing using low rank regularization [59.84695042540525]
純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。
ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。
注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
論文 参考訳（メタデータ） (2022-10-11T08:26:19Z)
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。