计算机科学 > 计算机视觉与模式识别
[提交于 2025年10月2日
]
标题: 从视频基础模型推断动态物理属性
标题: Inferring Dynamic Physical Properties from Video Foundation Models
摘要: 我们研究从视频中预测动态物理特性的任务。 更具体地说,我们考虑需要时间信息来推断的物理特性:弹跳物体的弹性、流动液体的粘度以及在表面上滑动物体的动态摩擦力。 为此,我们做出了以下贡献:(i) 我们为每个物理特性收集了一个新的视频数据集,包括合成训练和测试分割,以及一个用于现实世界评估的真实分割。 (ii) 我们探索了三种从视频中推断物理特性的方法:(a) 一种理想方法,我们使用经典计算机视觉技术提供内在反映该特性的视觉线索;(b) 一种简单的读出机制,使用视觉提示和可训练提示向量对预训练视频生成和自监督模型进行交叉注意力;以及 (c) 多模态大语言模型(MLLMs)的提示策略。 (iii) 我们表明,以生成或自监督方式训练的视频基础模型表现出相似的性能,尽管不如理想方法,而MLLMs目前不如其他模型,但通过适当的提示可以提高其性能。
文献和引用工具
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
推荐器和搜索工具
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.