计算机科学 > 计算机视觉与模式识别
[提交于 2026年1月7日
]
标题: PhysVideoGenerator:通过潜在物理引导实现物理感知的视频生成
标题: PhysVideoGenerator: Towards Physically Aware Video Generation via Latent Physics Guidance
摘要: 当前的视频生成模型可以生成高质量的美学视频,但通常难以学习现实世界物理动态的表示,导致出现不自然的物体碰撞、不一致的重力和时间闪烁等伪影。 在本工作中,我们提出了PhysVideoGenerator,这是一个概念验证框架,它在视频生成过程中显式嵌入可学习的物理先验。 我们引入了一个轻量级预测网络PredictorP,该网络直接从噪声扩散潜在空间中回归从预训练的视频联合嵌入预测架构(V-JEPA 2)中提取的高层物理特征。 这些预测的物理标记通过专用的交叉注意力机制注入到基于DiT的生成器(Latte)的时间注意力层中。 我们的主要贡献是证明了这种联合训练范式的可行性:我们表明扩散潜在空间包含足够的信息来恢复V-JEPA 2的物理表示,并且多任务优化在训练过程中保持稳定。 本报告记录了架构设计、技术挑战和训练稳定性验证,为未来物理感知生成模型的大规模评估奠定了基础。
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.