論文の概要: PhyMetric: Diagnosing Physical Plausibility in Text-to-Video Generation via Scene-Level QA
- arxiv url: http://arxiv.org/abs/2610.19823v1
- Date: Wed, 14 Oct 2026 09:00:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.060462
- Title: PhyMetric: Diagnosing Physical Plausibility in Text-to-Video Generation via Scene-Level QA
- Title（参考訳）: PhyMetric:Scene-Level QAによるテキスト・ビデオ生成における物理プラズビリティの診断
- Abstract要約: 既存のベンチマークは、概略的妥当性スコアや幅広い品質次元に大きく依存している。
現場レベルの診断ベンチマークであるPhyMetricを導入する。
- 参考スコア（独自算出の注目度）: 7.679385051368571
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Text-to-video (T2V) generation models can produce visually realistic videos that nevertheless violate the physical consequences implied by the prompt and scene. Existing benchmarks largely rely on holistic plausibility scores or broad quality dimensions, leaving it unclear which physical behavior is being tested and why a model fails. We introduce PhyMetric, a scene-level diagnostic benchmark that recasts physical plausibility evaluation as verifiable, scene-grounded question answering. PhyMetric contains 1{,}115 scenes spanning 50 physical categories across six domains, paired with 8{,}920 answer-balanced binary questions over 12 evaluation dimensions. Each scene is associated with eight targeted yes/no questions and a structured physical prior specifying the governing law, expected temporal sequence, observable signatures, and common failure modes. At evaluation time, a vision-language model (VLM) judge answers each question from question-aware sampled frames conditioned on the prior, and correctness is hierarchically aggregated into scene, dimension, physical category, and model scores. Experiments on four open-source T2V models and three VLM judges show that scene-specific binary QA is a critical component of the protocol: when each targeted question is replaced by a single generic plausibility query, evaluator accuracy drops to the chance level. Structured physical priors offer a complementary signal that improves human alignment of the resulting scores, with effects that vary across VLM judges of different capacity. These findings establish PhyMetric as a benchmark that turns physical plausibility evaluation from opaque holistic scoring into interpretable, scene-level inspection. Our project page is available at: https://mengsiwei.github.io/PhyMetric/.
- Abstract（参考訳）: テキスト・ツー・ビデオ(T2V)生成モデルは、プロンプトやシーンによってもたらされる物理的結果に反する、視覚的にリアルなビデオを生成することができる。
既存のベンチマークは概略的妥当性スコアや幅広い品質次元に大きく依存しており、どの物理的な振る舞いがテストされているのか、なぜモデルが失敗するのかははっきりしない。
現場レベルの診断ベンチマークであるPhyMetricを導入する。
PhyMetricには、6つのドメインにまたがる50の物理的カテゴリにまたがる1{,}115のシーンが含まれており、12の評価次元に対して8{,}920の回答バランスの取れたバイナリな質問とペアリングされている。
各シーンは、対象とする8つのye/no質問と、規制法則、期待される時間的シーケンス、観測可能なシグネチャ、一般的な障害モードを規定する構造化された物理プレセットに関連付けられている。
評価時において、視覚言語モデル(VLM)判定器は、事前条件付き質問認識されたサンプルフレームから各質問に回答し、正しさを階層的にシーン、寸法、物理カテゴリー、モデルスコアに集約する。
4つのオープンソースT2Vモデルと3つのVLM判事の実験では、シーン固有のバイナリQAがプロトコルの重要なコンポーネントであることが示されている。
構造化された物理的事前は、結果のスコアの人間のアライメントを改善する補完的な信号を提供する。
これらの結果はPhyMetricを、不透明な全体的スコアから物理的妥当性評価を解釈可能なシーンレベルの検査に変換するベンチマークとして確立している。
私たちのプロジェクトページは、https://mengsiwei.github.io/PhyMetric/.com/で公開されています。
関連論文リスト
- World Models' Last Exam in Physics [4.4098893730598645]
我々は,ビデオワールドモデルの物理的一貫性を評価するための測定ベースのベンチマークであるWorld ModelsのLast Exam in Physicsを紹介する。
このベンチマークは、力学、光学、流体、熱および相変化現象、電磁磁気、表面張力にまたがる40の制御されたタスクで構成されている。
1,280のビデオにまたがる8つのビデオ生成モデルの実験では、永続的な物理的不整合とタスク間の実質的な変動が明らかになった。
論文 参考訳（メタデータ） (2026-10-06T17:59:56Z) - OmniPhys: Knowledge-Graph-Driven Benchmarking and Collective Optimization for Physical Commonsense in Text-to-Image Generation [63.27323042387232]
OmniPhysは、物理知識グラフに1,551個のサンプルの厳密なベンチマークである。
PhETシミュレーションを標準的なカリキュラムと整合させることで、OmniPhysは診断ストレステストを実行するナレッジ・トゥ・シナリオパイプラインを運用する。
我々は,物理フィードバックを離散最適化問題として扱う反復的フレームワークであるOmniPromptを提案する。
論文 参考訳（メタデータ） (2026-07-28T12:27:25Z) - Physics Question Scene Graph: Fine-grained Evaluation of Physical Plausibility in Text-to-Video Generation [72.04671111142191]
本稿では,階層的な質問に基づく評価パイプラインである物理質問シーングラフ(PQSG)を紹介する。
PQSGは、オブジェクト、アクション、および物理法則に従うプロンプトに対する忠実さをチェックすることによって、生成されたビデオを評価する。
我々は物理に基づくプロンプトとそれに対応する生成されたビデオを含むデータセットであるFinePhyEvalを作成してPQSGを検証する。
論文 参考訳（メタデータ） (2026-06-24T02:12:54Z) - CRONOS: Benchmarking Counterfactual Physical Consistency in Video Models [25.976578205889776]
CRONOSは、実際の物理的一貫性を評価するために設計された介入ベースのベンチマークである。
Unreal Engine環境で構築されたCRONOSは、さまざまなシーンやダイナミックスにわたる、制御された高忠実なビデオ生成を可能にする。
論文 参考訳（メタデータ） (2026-05-22T14:51:22Z) - VisPhyWorld: Probing Physical Reasoning via Code-Driven Video Reconstruction [48.60465268759689]
VisPhyWorldは、物理推論を評価する実行ベースのフレームワークである。
実行可能コードを生成することで、推論された世界表現は直接検査可能、編集可能、偽造可能となる。
現状のMLLMは強いセマンティックなシーン理解を実現する一方で、物理的パラメータを正確に推測し、一貫した物理力学をシミュレートするのに苦労していることを示す。
論文 参考訳（メタデータ） (2026-02-09T05:46:44Z) - PhyAVBench: A Challenging Audio Physics-Sensitivity Benchmark for Physically Grounded Text-to-Audio-Video Generation [63.3417467957431]
テキスト・ツー・オーディオ・ビデオ(T2AV)生成は、現実的なオーディオ・ビジュアルコンテンツを要求する幅広いアプリケーションを支える。
我々は,既存のT2AVモデルの音波物理接地能力を評価するために設計された,難易度の高い音波物理感度ベンチマークであるPhyAVBenchを紹介する。
主に音声とビデオの同期に焦点を当てた以前のベンチマークとは異なり、PhyAVBenchは、音生成の基礎となる物理的メカニズムに対するモデルの理解を明確に評価している。
論文 参考訳（メタデータ） (2025-12-30T05:22:31Z) - QuantiPhy: A Quantitative Benchmark Evaluating Physical Reasoning Abilities of Vision-Language Models [14.860588888047708]
QuantiPhyは、VLMの物理的推論能力を定量的に測定するために設計された最初のベンチマークである。
現状のVLMに関する実験では, 定性的妥当性と実際の数値的正しさとの間に一貫したギャップがあることが判明した。
論文 参考訳（メタデータ） (2025-12-22T16:18:00Z) - PAVAS: Physics-Aware Video-to-Audio Synthesis [58.746986798623084]
本稿では、物理推論を潜伏拡散に基づくV2A生成に組み込む手法であるPAVAS(Physical-Aware Video-to-Audio Synthesis)を提案する。
PAVASは物理的に可塑性かつ知覚的にコヒーレントな音声を生成し、定量評価と定性評価の両方において既存のV2Aモデルより優れていることを示す。
論文 参考訳（メタデータ） (2025-12-09T06:28:50Z) - Perception Test: A Diagnostic Benchmark for Multimodal Video Models [78.64546291816117]
本稿では,事前学習したマルチモーダルモデルの知覚と推論能力を評価するために,新しいマルチモーダルビデオベンチマークを提案する。
知覚テストは、スキル(記憶、抽象化、物理学、セマンティックス)と、ビデオ、オーディオ、テキストモダリティ間の推論(記述的、説明的、予測的、反ファクト的)のタイプに焦点を当てている。
このベンチマークは、ゼロショット/少数ショットまたは限定的な微調整方式で、転送機能の事前訓練されたモデルを探索する。
論文 参考訳（メタデータ） (2023-05-23T07:54:37Z)
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。