标签
PhysisForcing 是一种训练框架，通过基于 DiT 架构的像素级轨迹对齐和语义级关系对齐损失来强制物理一致性，从而增强机器人操作的具身视频生成，在基准测试上取得了显著改进。
PhaseLock是一个无需训练的框架，通过从早期步骤推理中保留运动先验来提高图像到视频扩散模型的物理一致性，以最小开销实现6.2个百分点的提升。
CRONOS是一个基准测试，通过在保持物理事件类型不变的情况下对视角、场景、物体类别和外观进行干预，来评估视频预测模型的反事实物理一致性。它揭示了当前视频生成器的重大缺陷。
CoInteract 提出端到端 Diffusion Transformer 框架，联合建模 RGB 外观与 HOI 几何，在零推理开销下生成物理合理、手脸稳定的人-物交互视频。