PhysVid：生成视频模型的物理感知局部调节

生成视频模型实现了高视觉保真度，但常常违反基本物理原理，限制了现实世界环境中的可靠性。先前注入物理的尝试依赖于调节：帧级信号是特定于域的且短视野的，而全局文本提示是粗糙且嘈杂的，缺少细粒度的动态。我们提出了 PhysVid，一种物理感知的局部调节方案，可在时间上连续的帧块上运行。每个块都用基于物理的状态、交互和约束描述进行注释，这些描述通过训练期间的块感知交叉注意力与全局提示融合。在推论中，我们引入了负面的物理提示（对当地相关违法行为的描述），以引导一代人远离难以置信的轨迹。在 VideoPhy 上，PhysVid 比基准视频生成器提高了物理常识分数 $\约 33\%$，在 VideoPhy2 上提高了 $\约 8\%$。这些结果表明，本地的物理感知指导极大地提高了生成视频的物理合理性，并标志着向基于物理的视频模型迈出了一步。