論文の概要: PhyMo: Learning Physical Dynamics with Accurate and Continuous Motion from Multi-View Videos

• arxiv url: http://arxiv.org/abs/2610.29107v1
• Date: Wed, 21 Oct 2026 02:49:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.183896
• Title: PhyMo: Learning Physical Dynamics with Accurate and Continuous Motion from Multi-View Videos
• Title（参考訳）: PhyMo:マルチビュー映像からの正確な連続運動による物理ダイナミクスの学習
• Abstract要約: PhyMoは、マルチビュービデオから動的に進化するフレームワークである。 本研究では,変形から正確な動きを復元する動き認識軌道表現法を提案する。 4つの動的シーンベンチマークの実験は、最先端のパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 17.884533036923845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering dynamic 3D scene geometry, appearance, and the physical motion states that govern scene evolution from multi-view videos is important yet challenging. A key difficulty is that appearance can be deceptive. Under rendering supervision alone, a model may fit the observed images by changing color or opacity to compensate for inaccurate deformation, rather than recovering the true evolving geometry and motion. This issue is especially severe in scenes with fast or locally complex motion, where inaccurate trajectories can still produce plausible images over the observed frames, but lead to unreliable reconstruction and discontinuous future prediction. In this paper, we propose PhyMo, a framework for learning evolving dynamics from multi-view videos. We introduce a Motion-Aware Trajectory Representation that drives the model to recover accurate motion from deformation, rather than relying on appearance shortcuts to explain observed motion. On top of this, we propose a Continuous Motion Evolution module with bidirectional kinematic continuity constraint to promote temporally consistent evolution of displacement, velocity, and acceleration. Together, these designs yield geometrically faithful interpolation and continuous motion extrapolation. Experiments on four dynamic scene benchmarks demonstrate state-of-the-art performance.
• Abstract（参考訳）: ダイナミックな3Dシーンの形状、外観、物理的な動きを復元することは、多視点ビデオからシーンの進化を管理することが重要であるが、難しい。 重要な難点は外見が欺けることだ。 レンダリングの監督だけでは、モデルは観測された画像に色や不透明度を変えて、真の進化した幾何学や運動を回復するのではなく、不正確な変形を補うことができる。 この問題は、不正確な軌跡が観測されたフレーム上でも可視画像を生成できるような、高速または局所的な複雑な動きを持つシーンでは特に深刻であるが、信頼性の低い再構築と不連続な将来の予測に繋がる。 本稿では,マルチビュービデオから動的に進化するフレームワークPhyMoを提案する。 本研究では、観測された動きを説明するために、外観ショートカットに頼るのではなく、モデルが変形から正確な動きを復元するように駆動する動き認識軌道表現を導入する。 そこで本研究では,両方向の運動連続性制約を持つ連続運動進化モジュールを提案し,時間的に一貫した変位,速度,加速度の進化を促進する。 これらの設計は、幾何学的に忠実な補間と連続的な運動外挿をもたらす。 4つの動的シーンベンチマークの実験は、最先端のパフォーマンスを示している。

関連論文リスト

• BLARM: Animating 3D Objects from Video via Blending Latent Rigid Motion Primitives [14.13122283409208]
  BLARMはビデオに追従する時間的コヒーレントなアニメーションメッシュを予測する。 学習した時間変化のある剛体動き成分のコンパクトな集合を用いてアニメーションを表現する。 BLARMは、モノクロビデオからコンパクトで解釈可能なモーション構造を復元しながら、正確で時間的に安定したアニメーションを生成する。
  論文  参考訳（メタデータ） (2026-08-31T17:21:54Z)
• MotionPhys: Detecting AI-Generated Videos via Physical Consistency of Optical-Flow Trajectories [23.111071311995957]
  運動軌跡を物理的証拠として扱う軽量フレームワークであるMotionPhysを紹介する。 複数の時間スケールにわたる軌跡の幾何学的進化をモデル化することにより、MotionPhysは微妙な動きの不整合を明らかにする。 複数のデータセットの実験では、MotionPhysが生成されたビデオの物理的不整合を効果的に検出できることが示されている。
  論文  参考訳（メタデータ） (2026-08-21T06:29:35Z)
• Self-Supervised Learning of Structured Dynamics from Videos [76.23834498074805]
  予め訓練した画像ビジョン変換器の凍結した特徴から、構造化された動き表現を復元できるかどうかを検討する。 本研究では、時間変化の主源を残留力学から明確に分離する構造ダイナミクスモデル(SDM)を提案する。 ProbeMotionのSDMは、カメラモーション、オブジェクトモーション、複合ダイナミクスを備えた合成ビデオと実ビデオにまたがる新しい評価スイートである。
  論文  参考訳（メタデータ） (2026-07-23T17:55:07Z)
• SIFT: Self-Imagination Fine-Tuning for Physically Plausible Motion in Video Diffusion Models [53.82339966194578]
  動きの絡み合い(英: Motion entanglement)は、カメラの動きや物体の動きのような独立した動き源の意図しない結合である。 本稿では,自作ビデオから学習できるSIFT(Self-Imagination Fine-Tuning)パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-06-26T05:39:40Z)
• Kinematics-Driven Gaussian Shape Deformation for Blurry Monocular Dynamic Scenes [32.40228197424996]
  Kinematics-GSは運動整合変形をモデル化するキネマティクス対応フレームワークである。 最適化を安定させるために,シーンを動的および静的なコンポーネントに分解する。 また、非剛体運動を示す変形性および弾性物体の挑戦的な実世界のデータセットも導入する。
  論文  参考訳（メタデータ） (2026-05-09T03:01:17Z)
• Consistent and Controllable Image Animation with Motion Linear Diffusion Transformers [23.176184261595747]
  画像アニメーションにおける効率性, 外観の整合性, 動きの滑らかさを向上するフレームワークであるMiraMoを提案する。 具体的には,(1)ベニラ自己注意を効率的な線形注意に置き換えて生成品質を保ちながら計算オーバーヘッドを低減するための基本的テキスト・ビデオアーキテクチャ,(2)フレームを直接予測するのではなく動きのダイナミクスをモデル化する新たな動き残留学習パラダイム,(3)動きの滑らかさと表現性のバランスをとる動的制御モジュールによって補完された推論中のDCTに基づくノイズ改善戦略,の3つの重要な要素を紹介する。
  論文  参考訳（メタデータ） (2025-08-10T08:59:32Z)
• VLIPP: Towards Physically Plausible Video Generation with Vision and Language Informed Physical Prior [88.51778468222766]
  近年,映像拡散モデル (VDM) が大幅に進歩し,映像のリアル化が進んでいる。 VDMは物理の理解の欠如のため、物理的にもっともらしいビデオを作ることができないことが多い。 本稿では,物理を視覚と言語に明示的に組み込んだ新しい2段階画像・映像生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-30T09:03:09Z)
• Spectral Motion Alignment for Video Motion Transfer using Diffusion Models [54.32923808964701]
  スペクトル運動アライメント(英: Spectral Motion Alignment、SMA)は、フーリエ変換とウェーブレット変換を用いて運動ベクトルを洗練・整列するフレームワークである。 SMAは周波数領域の正規化を取り入れて動きパターンを学習し、全体フレームのグローバルな動きのダイナミクスの学習を容易にする。 大規模な実験は、様々なビデオカスタマイズフレームワーク間の計算効率と互換性を維持しながら、モーション転送を改善するSMAの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-22T14:47:18Z)
• MotionRNN: A Flexible Model for Video Prediction with Spacetime-Varying Motions [70.30211294212603]
  本稿では,空間と時間の両方に連続する時空変動を予測できる新たな次元からビデオ予測を行う。 本研究では,動きの複雑な変動を捉え,時空変化に適応できるMotionRNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-03T08:11:50Z)

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。