Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2510.02284

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2510.02284 (cs)
[提交于 2025年10月2日 ]

标题: 学习生成物理引导的视频扩散对象交互

标题: Learning to Generate Object Interactions with Physics-Guided Video Diffusion

Authors:David Romero, Ariana Bermudez, Hao Li, Fabio Pizzati, Ivan Laptev
摘要: 最近的视频生成模型取得了显著进展,并已应用于电影、社交媒体制作和广告中。 除了其创造潜力外,这些模型在机器人和具身决策的世界模拟器方面也展现出前景。 尽管取得了显著进展,但目前的方法仍然难以生成物理上合理的物体交互,并缺乏基于物理的控制机制。 为解决这一限制,我们引入了KineMask,这是一种用于物理引导视频生成的方法,能够实现真实的刚体控制、交互和效果。 给定一张图像和指定的物体速度,我们的方法生成具有推断运动和未来物体交互的视频。 我们提出了一种两阶段训练策略,通过物体掩码逐步移除未来运动监督。 使用这种策略,我们在简单交互的合成场景上训练视频扩散模型(VDMs),并在真实场景中展示了物体交互的显著改进。 此外, KineMask通过预测场景描述将低层次运动控制与高层次文本条件结合,从而有效支持复杂动态现象的合成。 大量实验表明, KineMask在与近期同类模型相比时表现出显著提升。 消融研究进一步突显了VDMs中低层次和高层次条件的互补作用。 我们的代码、模型和数据将公开提供。
摘要: Recent models for video generation have achieved remarkable progress and are now deployed in film, social media production, and advertising. Beyond their creative potential, such models also hold promise as world simulators for robotics and embodied decision making. Despite strong advances, however, current approaches still struggle to generate physically plausible object interactions and lack physics-grounded control mechanisms. To address this limitation, we introduce KineMask, an approach for physics-guided video generation that enables realistic rigid body control, interactions, and effects. Given a single image and a specified object velocity, our method generates videos with inferred motions and future object interactions. We propose a two-stage training strategy that gradually removes future motion supervision via object masks. Using this strategy we train video diffusion models (VDMs) on synthetic scenes of simple interactions and demonstrate significant improvements of object interactions in real scenes. Furthermore, KineMask integrates low-level motion control with high-level textual conditioning via predictive scene descriptions, leading to effective support for synthesis of complex dynamical phenomena. Extensive experiments show that KineMask achieves strong improvements over recent models of comparable size. Ablation studies further highlight the complementary roles of low- and high-level conditioning in VDMs. Our code, model, and data will be made publicly available.
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI); 机器学习 (cs.LG)
引用方式: arXiv:2510.02284 [cs.CV]
  (或者 arXiv:2510.02284v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2510.02284
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: David Romero [查看电子邮件]
[v1] 星期四, 2025 年 10 月 2 日 17:56:46 UTC (48,009 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-10
切换浏览方式为:
cs
cs.AI
cs.LG

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号