論文の概要: Agentic Physics-Grounded Video Generation via Memory-Augmented In-Context Reasoning

• arxiv url: http://arxiv.org/abs/2610.23677v1
• Date: Fri, 16 Oct 2026 16:08:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.017087
• Title: Agentic Physics-Grounded Video Generation via Memory-Augmented In-Context Reasoning
• Title（参考訳）: メモリ拡張インコンテキスト推論によるエージェント物理周囲のビデオ生成
• Abstract要約: リアルなビデオ生成には物理的妥当性が不可欠である。 既存の方法は、シミュレーションや改良されたプロンプトによる合成の前に物理的なガイダンスを課す。 本稿では,観察された物理的障害に対する因果推論と事前の修復経験を組み合わせたエージェントビデオ生成フレームワークであるPhysRepairを紹介する。
• 参考スコア（独自算出の注目度）: 26.802105863356456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical plausibility is essential for realistic video generation. Existing methods impose physical guidance before synthesis via simulations or refined prompts, but this can limit dynamic diversity, miss errors that emerge only after generation, and require repeated regeneration when inconsistencies remain. We therefore study a generate-diagnose-repair paradigm that preserves the original generation capability and selectively repairs physical inconsistencies afterward, raising two key questions: what to repair and how to repair? To address them, we introduce PhysRepair, an agentic video generation framework that combines causal reasoning over the observed physical failure with prior repair experience to enable localized and adaptive correction. Specifically, Spatiotemporal Causal Constraints identify the first invalid physical state and its causally affected states, producing a repair specification that guides physically plausible local regeneration while preserving unaffected content. Experience-augmented In-context Learning combines the ongoing repair context with relevant experience from previous repairs, allowing the agent to adapt its repair decisions across diverse physical failures and accumulate completed trajectories for future cases. Experiments on Physics-IQ Verified across solid mechanics, fluid dynamics, optics, thermodynamics, and magnetism demonstrate that PhysRepair consistently improves the physical plausibility of generated videos over existing methods. Our project page is available at https://xxkkxxx.github.io/PhysRepair-Website/.
• Abstract（参考訳）: リアルなビデオ生成には物理的妥当性が不可欠である。 既存の手法では、シミュレーションや改良されたプロンプトを通じて合成前に物理的ガイダンスを課すが、これは動的多様性を制限し、生成後に現れるエラーを見逃し、不整合が残っているときに繰り返し再生する必要がある。 そこで我々は,原生成能力を維持し,その後に物理的不整合を選択的に修復するジェネレーション・診断・修復パラダイムについて検討し,修理方法と修理方法という2つの重要な疑問を提起する。 これらの問題に対処するために、観察された物理的障害に対する因果推論と事前修理経験を組み合わせたエージェントビデオ生成フレームワークであるPhysRepairを導入し、局所的かつ適応的な修正を可能にする。 具体的には、時空間因果制約(Spatiotemporal Causal Constraints)は、最初の無効な物理的状態とその因果的影響のある状態を特定し、影響のないコンテンツを保存しながら、物理的にもっともらしい局所的な再生をガイドする修復仕様を作成する。 経験強化型インコンテクスト学習は、進行中の修復状況と過去の修復から関連する経験を組み合わせることで、エージェントが様々な物理的障害にまたがって修理決定を適応し、将来の事例のために完了した軌道を蓄積することを可能にする。 固体力学、流体力学、光学、熱力学、磁気学で検証された物理IQの実験は、PhysRepairが既存の方法よりも生成したビデオの物理的妥当性を一貫して改善していることを示した。 私たちのプロジェクトページはhttps://xxkkxxx.github.io/PhysRepair-Website/で公開されています。

関連論文リスト

• PhysMRV: Physical Memory Retrieval and Verification for Physics Plausibility Reasoning [10.8081248403127]
  ビデオ言語モデル(VLM)は,映像理解と視覚的質問応答において優れた性能を発揮している。 トレーニング不要な物理メモリと検証フレームワークであるPhysMRVを提案する。
  論文  参考訳（メタデータ） (2026-07-11T08:06:04Z)
• 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)
• Physion-Eval: Evaluating Physical Realism in Generated Video via Human Reasoning [77.34919361116037]
  ビデオ生成モデルは、ストーリーテリング、シミュレーション、エンボディドAI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。 既存の評価は、自動化されたメトリクスや、好みやルーリックベースのチェックのような粗い人間の判断に大きく依存している。 5つの最先端モデルによって生成されたビデオにおいて、物理的リアリズムの失敗を診断するための専門家による推論のベンチマークであるPhyllon-Evalを紹介する。
  論文  参考訳（メタデータ） (2026-03-20T03:25:41Z)
• 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)
• PhysChoreo: Physics-Controllable Video Generation with Part-Aware Semantic Grounding [50.454084539837005]
  PhysChoreoは、単一の画像から多様な制御性と物理的なリアリズムを持つビデオを生成する新しいフレームワークである。 本手法は2つの段階から構成される: まず, 画像中の全ての物体の静的初期特性を, 部分認識の物理的特性再構成により推定する。 そして、時間的に指示され、物理的に編集可能なシミュレーションを通じて、リッチな動的な振る舞いと物理的なリアリズムで高品質な動画を合成する。
  論文  参考訳（メタデータ） (2025-11-25T17:59:04Z)
• PhysMaster: Mastering Physical Representation for Video Generation via Reinforcement Learning [49.88366485306749]
  現代のビデオ生成モデルは、視覚的にリアルなビデオを生成することができるが、物理法則に従わないことが多い。 本稿では,物理認識力を高めるため,映像生成モデルを導くための表現として,物理知識を捉えたPhysMasterを提案する。
  論文  参考訳（メタデータ） (2025-10-15T17:59:59Z)
• LikePhys: Evaluating Intuitive Physics Understanding in Video Diffusion Models via Likelihood Preference [57.086932851733145]
  ビデオ拡散モデルにおける直感的な物理を評価するトレーニング不要な方法であるLikePhysを紹介した。 現在のビデオ拡散モデルにおける直観的物理理解のベンチマークを行う。 経験的結果は、現在のモデルが複雑でカオス的な力学に苦しむにもかかわらず、モデルキャパシティと推論設定スケールとしての物理理解の改善傾向が明らかであることを示している。
  論文  参考訳（メタデータ） (2025-10-13T15:19:07Z)
• Enhancing Physical Plausibility in Video Generation by Reasoning the Implausibility [37.011366226968]
  拡散モデルはリアルなビデオを生成することができるが、既存の方法は大規模テキストビデオデータセットから暗黙的に物理的推論を学ぶことに依存している。 本研究では,推論時の身体的可視性を改善するためのトレーニングフリーフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-29T12:32:54Z)

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。