論文の概要: PhyEvolve: Multi-Agent State-Evolution Planning for Physics-Aware Video Generation
- arxiv url: http://arxiv.org/abs/2610.30717v1
- Date: Thu, 22 Oct 2026 04:33:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.212763
- Title: PhyEvolve: Multi-Agent State-Evolution Planning for Physics-Aware Video Generation
- Title（参考訳）: PhyEvolve:物理対応ビデオ生成のためのマルチエージェント状態進化計画
- Abstract要約: 我々は、構造化状態進化計画を通じて自然言語のプロンプトを強化するフレームワークであるPhyEvolveを提案する。
PhyEvolveは最先端のエージェントベースラインを平均7.9ポイント上回る最先端のパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 11.493712954836296
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in text-to-video generation have substantially improved visual fidelity, yet existing models still struggle to understand the physical evolution implicit in user prompts, making it difficult to generate videos with continuous physical state evolution. Here, we propose PhyEvolve, a multi-agent framework that enhances natural-language prompts through structured state-evolution planning. PhyEvolve consists of three agents: a Director, a Physical Evolver, and a Composer. Given a user prompt and an optional first frame, the Director grounds the scene and disentangles physical events from observation changes. The Physical Evolver uses scene evidence to identify physical mechanisms then constructs causally linked state transitions that unfold throughout the video, whether visible or not. The Composer utilizes these transitions to enhance the original prompts. Without retraining or model modification, PhyEvolve works directly with existing generators through prompt replacement. Extensive experiments on four major benchmarks show that PhyEvolve achieves state-of-the-art performance, outperforming the cutting-edge prior agentic baseline by 7.9 percentage points on average. These results demonstrate that explicit causal state-evolution planning improves physical consistency and state continuity in generated videos through natural-language prompt enhancement.
- Abstract（参考訳）: テキスト・ビデオ生成の最近の進歩は、視覚的忠実度を大幅に向上させたが、既存のモデルは、ユーザのプロンプトに暗黙的な物理的進化を理解するのに苦慮しているため、連続的な物理的状態の進化を伴うビデオの生成は困難である。
本稿では、構造化状態進化計画を通じて自然言語のプロンプトを強化するマルチエージェントフレームワークであるPhyEvolveを提案する。
PhyEvolveは、ディレクター、物理エボルバー、作曲家の3人のエージェントで構成されている。
ユーザプロンプトとオプションのファーストフレームが与えられた場合、ディレクタはシーンを接地し、観測変更から物理的なイベントをアンタングルする。
物理エボルバーはシーンエビデンスを使用して物理的メカニズムを識別し、ビデオ全体に広がる因果的にリンクされた状態遷移を構築します。
Composerはこれらの遷移を利用して、元のプロンプトを強化する。
再トレーニングやモデル修正なしに、PhyEvolveは即時置換を通じて既存のジェネレータと直接連携する。
4つの主要なベンチマークでの大規模な実験は、PhyEvolveが最先端のエージェントベースラインを平均7.9ポイント上回る最先端のパフォーマンスを達成したことを示している。
これらの結果から,明示的な因果的状態進化計画が,自然言語によるプロンプト向上を通じて生成ビデオの物理的一貫性と状態継続性を向上させることが示唆された。
関連論文リスト
- PhyMo: Learning Physical Dynamics with Accurate and Continuous Motion from Multi-View Videos [17.884533036923845]
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。
論文 参考訳（メタデータ） (2026-10-21T02:49:38Z) - VideoEvolve: Evolving Agent Harnesses for Video Temporal Grounding [7.097597769125374]
ビデオ時間グラウンドは、自然言語クエリからビデオ内のイベントをローカライズすることを目的としている。
フリーズされたビデオ言語モデルを中心に構築されたエージェントに対して、このハーネスは、クエリが時間的予測をどのようにガイドするか、そしてそれらの予測がどのように洗練されるかを決定する。
ビデオ時間グラウンドのためのエージェントハーネスを自動的に進化させるフレームワークであるVideoEvolveを紹介する。
論文 参考訳（メタデータ） (2026-10-01T14:24:24Z) - Physis-Lang: Self-Evolving Language as a Physical Representation for Video World Model [65.89360908199338]
物理言語をデータキュレーション、モデルトレーニング、ビデオ生成にまたがる共有かつ最適化可能な表現として扱うフレームワークであるPhys-Langを紹介する。
Physis-Langは物理プロセスをアトミックなアサーションに分解し、リコールと精度を使ってキャプションを評価する。
WanとCosmosのバックボーンで広く使われている4つの物理ビデオベンチマークの実験は、物理的妥当性が一貫した改善を示している。
論文 参考訳（メタデータ） (2026-09-30T17:59:51Z) - Physically Plausible Video Generation via Visual-Semantic Chain-of-Events Conditioning [48.21630532401797]
我々はPPVGを事象中心生成として再構成し、物理的進化を因果的に連結され、物理的に制約された事象の連鎖として表現する。
我々のフレームワークは、多様なドメインにまたがって優れた物理的妥当性を持つビデオを生成する。
論文 参考訳（メタデータ） (2026-09-01T03:35:02Z) - Closed-Loop Triplet Synergistic Generation for Long-Form Video [61.88597038104749]
CoSyTriGenは、クローズドループビジュアル-テキスト-メモリのシナジープロセスとしてマルチショット長ビデオ生成を定式化するエージェントフレームワークである。
この三重項に対して視覚言語モデルに基づくアナライザが原因となり、2つの経路に沿ってプロンプトとメモリの両方を更新する。
StoryBenchベンチマークの実験では、代表法よりもクロスショット一貫性、即効性、撮影連続性を大幅に改善した。
論文 参考訳（メタデータ） (2026-06-15T03:56:43Z) - Harnessing Agentic Evolution [32.567492765277855]
エージェント進化は、プログラム、イテレーション、科学的ソリューションを改善するための強力なパラダイムであり、候補を反復的に生成し、評価し、フィードバックを使って将来の探索を導く。
既存の手法は通常、モジュラーだが剛性のある固定手設計の手順や、フィードバックを柔軟に統合する汎用エージェントとしてインスタンス化される。
AEvoはメタエージェントがこの状態を観察し、次の候補を直接提案することでではなく、将来の進化を制御するプロシージャやエージェントコンテキストを編集することによって機能する。
論文 参考訳（メタデータ） (2026-05-13T17:45:16Z) - Demystifing Video Reasoning [71.53763299316041]
ビデオモデルにおける推論は、主に拡散認知のステップに沿って現れることを示す。
モデル性能に重要ないくつかの創発的推論行動を特定する。
これらの知見に触発され、私たちは概念実証としてトレーニングフリー戦略を提示した。
論文 参考訳（メタデータ） (2026-03-17T17:59:55Z) - ProPhy: Progressive Physical Alignment for Dynamic World Simulation [55.456455952212416]
ProPhyは、明示的な物理認識条件付けと異方性生成を可能にするプログレッシブ物理アライメントフレームワークである。
ProPhyは既存の最先端手法よりもリアルでダイナミックで物理的に一貫性のある結果が得られることを示す。
論文 参考訳（メタデータ） (2025-12-05T09:39:26Z) - 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)
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。