論文の概要: Fluid-Gen-Zero: Grounding Pretrained Video Generators in Physics without Training
- arxiv url: http://arxiv.org/abs/2610.10984v1
- Date: Wed, 07 Oct 2026 23:16:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.696918
- Title: Fluid-Gen-Zero: Grounding Pretrained Video Generators in Physics without Training
- Title（参考訳）: Fluid-Gen-Zero:トレーニングなし物理における事前訓練ビデオジェネレータの接地
- Abstract要約: 物理を意識した流体-物体相互作用ビデオ生成のためのトレーニングフリーフレームワークであるFluid-Gen-Zeroを提案する。
我々の重要な洞察は、予め訓練されたビデオジェネレータの外観モデリング能力を保ちながら、運動力学を物理シミュレータに委譲することである。
このプラグアンドプレイのデザインは、現在のビデオファンデーションモデルと互換性がある。
- 参考スコア（独自算出の注目度）: 18.84750193401236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present Fluid-Gen-Zero, a training-free framework for physics-aware fluid-object interaction video generation that decouples physical reasoning from appearance synthesis. Our key insight is to delegate motion dynamics to a physics simulator while preserving the appearance modeling capacity of pretrained video generators. We bridge these two domains through a two-level agentic workflow: generation-time planning, where a vision-language model (VLM) agent interprets intent and the simulation rollout to organize generation clips, and latent-space guidance, which injects simulation signals into denoising through region-aware latent wrapping. This plug-and-play design is compatible with current video foundation models. We further introduce a benchmark for fluid-object interaction video generation. Across Tora (CogVideoX-based), VACE and WanMove (Wan-based), Fluid-Gen-Zero consistently improves simulation alignment, reducing object trajectory error by 26.7%-81.5% and fluid fEPE (fluid flow endpoint error) by 67.9%-84.0%, while largely preserving perceptual quality. In a human preference study, raters favor Fluid-Gen-Zero in 55.1%-74.4% of same-backbone comparisons across three backbones, and in 90.4%-94.2% of comparisons against simulation-based methods. Code and data will be released upon acceptance.
- Abstract（参考訳）: 本研究では,物理を意識した流体-物体相互作用ビデオ生成のためのトレーニングフリーフレームワークであるFluid-Gen-Zeroについて述べる。
我々の重要な洞察は、予め訓練されたビデオジェネレータの外観モデリング能力を保ちながら、運動力学を物理シミュレータに委譲することである。
生成時計画では、視覚言語モデル(VLM)エージェントが意図とシミュレーションロールアウトを解釈して生成クリップを編成する。
このプラグアンドプレイのデザインは、現在のビデオファンデーションモデルと互換性がある。
さらに,流体-物体相互作用ビデオ生成のためのベンチマークを導入する。
Across Tora (CogVideoX-based), VACE and WanMove (Wan-based), Fluid-Gen-Zero は一貫してシミュレーションアライメントを改善し、オブジェクトの軌道誤差を26.7%-81.5%, fluid fEPE (fluid flow end error) を67.9%-84.0%削減した。
ヒトの嗜好調査では、3つのバックボーンで55.1%-74.4%のFluid-Gen-Zero、シミュレーションベースの手法で90.4%-94.2%のFluid-Gen-Zeroが好まれている。
コードとデータは受理時にリリースされる。
関連論文リスト
- Physics-Grounded Fluid Video Generation with a Simulation Dataset and Dual-Stream Optical-Flow Supervision [78.04385989413382]
ビデオ拡散モデルは視覚的に魅力的な内容を生成するが、流体にまつわる基礎物理学に規則的に違反する。
我々は1,638MPMを模擬した注水/スロッシングビデオと2,320のキーワードフィルターによる実注水ビデオを組み合わせた物理シミュレーション流体データセットを構築した。
予め訓練された拡散フィルタビデオジェネレータ上に構築されたデュアルストリーム映像合成アーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-07-28T06:13:18Z) - 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) - MotionVLA: Vision-Language-Action Model for Humanoid Motion [54.785960777274276]
動作をベースストリームと物理ストリームに分離するデュアルストリーム周波数トークンであるDSFTを提案する。
また、ベースおよび物理トークンを統一シーケンスに配置するQwen3.5ベースのモデルであるMotionVLAを提案する。
論文 参考訳（メタデータ） (2026-06-13T06:10:48Z) - 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) - Learning Physics from Pretrained Video Models: A Multimodal Continuous and Sequential World Interaction Models for Robotic Manipulation [63.04810454548667]
我々は、ロボット操作タスクを解決するために、スケーラブルで連続的かつシーケンシャルな世界インタラクションフレームワークであるPhysGenを紹介した。
トレーニング済みのビデオモデルを物理シミュレーターのプロキシとして扱うことで、PhysGenは外部環境とロボット動作の間の動的相互作用をモデル化する。
本稿では,映像とアクションを共有物理トークンに統合し,離散映像生成と連続ロボット制御のギャップを埋めるマルチモーダル連続表現を提案する。
論文 参考訳（メタデータ） (2026-02-18T14:58:18Z) - InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
InternVLA-A1は動的予測機能を備えた視覚言語モデルである。
我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。
InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
論文 参考訳（メタデータ） (2026-01-05T18:54:29Z) - Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。
本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。
受け入れ次第、モデルとデータの両方をリリースすることを約束します。
論文 参考訳（メタデータ） (2025-05-25T01:27:18Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z)
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。