論文の概要: GeoFlip Preview: Benchmarking Geometry-Sensitive Physics in Video Generation

• arxiv url: http://arxiv.org/abs/2610.42002v2
• Date: Wed, 04 Nov 2026 18:05:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-05 20:19:46.882281
• Title: GeoFlip Preview: Benchmarking Geometry-Sensitive Physics in Video Generation
• Title（参考訳）: GeoFlipのプレビュー:ビデオ生成における幾何感作物理のベンチマーク
• Abstract要約: GeoFlipは、幾何学によって引き起こされる物理結果のフリップに焦点を当てたビデオ生成ベンチマークである。 ベンチマークは6つのカテゴリで482のシーンペアと964のリファレンスビデオで構成されている。 我々は、イベントの正確性、構造的整合性、参照ビデオとの類似性という3つの次元に沿って、画像から映像への生成のための16のモデルを評価する。
• 参考スコア（独自算出の注目度）: 45.628618199768404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video generation models synthesize realistic motion, but can they respond correctly to changes in initial geometry? We introduce GeoFlip, a video generation benchmark centered on physical outcome flips induced by geometry. With shared physical settings and textual prompts held fixed, GeoFlip applies controlled interventions to support extent, object placement, and mechanism configuration, constructing paired scenes with contrasting reference events, such as remaining stable versus falling or tipping. These pairs test whether models translate geometric differences in the first frame into correct physical evolution. The benchmark comprises 482 scene pairs and 964 reference videos across six physical categories, with reference outcomes established through procedural scene construction, physics simulation, and numerical validation and verification of physical events. We evaluate 16 models for image to video generation along three dimensions: event correctness, structural integrity, and similarity to reference videos. We examine evaluation consistency with independent vision language judges. On the 442 conditions shared by all models, the highest event correctness averaged across tasks is 27.98%, revealing substantial limitations in physical generation conditioned on geometry. Model strengths vary across physical mechanisms, and the three evaluation dimensions capture distinct capabilities. Typical failures include ignoring geometric changes, generating incorrect object motion, bending rigid objects, and introducing additional components. Rank correlations between judges reach 0.906 for event correctness and 0.929 for structural integrity. By combining controlled geometric interventions, verifiable physical references, and multidimensional evaluation, GeoFlip assesses progress from visual realism toward physical consistency conditioned on geometry.
• Abstract（参考訳）: 映像生成モデルはリアルな動きを合成するが、初期幾何学の変化に正しく対応できるのか? 幾何学によって引き起こされる物理結果のフリップに着目したビデオ生成ベンチマークであるGeoFlipを紹介する。 共有された物理的設定とテキストプロンプトが固定され、GeoFlipはコントロールされた介入を適用して範囲、オブジェクトの配置、メカニズムの設定をサポートし、安定したかフォールかチップかのようなコントラストのある参照イベントでペア化されたシーンを構築する。 これらのペアは、モデルが第1フレームの幾何学的差異を正しい物理的進化に変換するかどうかをテストする。 このベンチマークは、6つの物理的カテゴリにわたる482のシーンペアと964のリファレンスビデオで構成されており、手続き的なシーン構築、物理シミュレーション、物理事象の数値検証と検証を通じて基準結果が確立されている。 我々は、イベントの正確性、構造的整合性、参照ビデオとの類似性という3つの次元に沿って、画像から映像への生成のための16のモデルを評価する。 独立視覚言語判断者による評価の整合性について検討する。 全てのモデルで共有される442の条件では、タスク全体で平均される事象の正しさは27.98%であり、幾何学的に条件付けられた物理生成のかなりの制限が示される。 モデル強度は物理的メカニズムによって異なり、3つの評価次元は異なる能力を捉えている。 典型的な失敗には、幾何学的変化を無視し、不正確な物体の動きを生成し、固い物体を曲げ、追加の部品を導入することが含まれる。 審査員間のランク相関は、事象の正しさが0.906、構造的整合性が0.929に達する。 制御された幾何学的介入、検証可能な物理参照、多次元評価を組み合わせることで、GeoFlipは幾何学に基づく物理的整合性への視覚的リアリズムからの進歩を評価する。

関連論文リスト

• PVBench: Quantifying Physical Plausibility in Video Generation with Object-Level Physical Measurements [85.21259780603802]
  46次元にわたる生成ビデオの妥当性を定量的に測定する物理ビデオベンチマークであるPVBenchを紹介する。 PVBenchは600の精巧な知覚ビデオプロンプトで構成されており、そのうち30%はロボットアーム、ヒューマノイド、四足歩行、マルチエージェントシステムなどの身体的なエンボディエージェントを含んでいる。 物理的に抽出可能な次元に挑戦するために、オブジェクトレベルの6Dポーズ、メートル法スケール、表面正規化、キネマティクス、数値保存法則残差などのセマンティックな測定を導出する特殊な視覚モデルと組み合わせる。
  論文  参考訳（メタデータ） (2026-10-19T16:44:45Z)
• TourPhysics: Bringing Physics to World Models for Exploration and Manipulation from a Single Image [53.206752160427065]
  TourPhysicsは、単一のイメージと宣言的な物理的な設定から得られるオンラインフレームワークである。 各動作について、シミュレータは、対応する観測が生成される前に、有限の物理およびカメラ軌道を計算する。 TourPhysicsは、評価されたベースラインよりも、所定のカメラとオブジェクトの軌跡に従う。
  論文  参考訳（メタデータ） (2026-09-04T09:15:03Z)
• VideoWeave: Unlocking Geometric Consistency in Video Generation via Joint Geometry-Video Modeling [49.98112719317813]
  ビデオ拡散モデルは、時間とともに3D構造を保存できないことが多い。 既存の手法は通常、明示的な幾何再構成を用いて幾何整合を強制する。 我々は,暗黙的幾何モデルを用いて生成分布を制約する潜在空間後学習フレームワークであるVideoWeaveを提案する。
  論文  参考訳（メタデータ） (2026-06-12T06:41:13Z)
• GeoFlow: Enforcing Implicit Geometric Consistency in Video Generation [46.507099021313074]
  生成した映像中の動きがコヒーレントなシーンと互換性があるかどうかを測定する。 我々はこれを光学的流れ、奥行き予測、および剛性領域と動的領域の分離に対応する特徴ベースの対応を用いて運用する。 実験は、知覚品質を保ちながら、強いベースライン上での時間的幾何学的アーティファクトの大幅な減少を示す。
  論文  参考訳（メタデータ） (2026-05-18T13:17:08Z)
• Quantitative Video World Model Evaluation for Geometric-Consistency [18.53748808467407]
  生成ビデオモデルは暗黙の世界モデルとしてますます研究されている。 物理的に妥当な3D構造と動きを創出するかどうかを評価することは依然として困難である。 生成ビデオにおける幾何コヒーレンスを監査するフレームワークであるPDI-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-14T17:59:04Z)
• 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)

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。