Physically Plausible Video Generation via Visual-Semantic Chain-of-Events Conditioning

📄 arXiv: 2609.00656v1 📥 PDF

作者: Zixuan Wang, Yixin Hu, Wen Li, Feng Chen, Yan Liu, Duo Peng, Yinjie Lei

分类: cs.CV

发布日期: 2026-09-01

💡 一句话要点

提出基于事件链的物理可信视频生成方法以解决自然语言条件不足问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 物理可信视频生成 事件链推理 关键帧条件化 对比语义引导 动态过渡

📋 核心要点

  1. 现有的物理可信视频生成方法在自然语言条件下存在不明确性，导致生成视频的物理一致性不足。
  2. 本文提出了一种事件中心的生成方法，通过因果连接的事件链来表示物理演变，从而增强视频生成的物理可信度。
  3. 在多个基准测试上，实验结果显示该方法生成的视频在物理可信性方面优于现有技术，具有更好的表现。

📝 摘要（中文）

物理可信视频生成（PPVG）旨在合成符合物理原理的视频，但由于自然语言条件的不明确性，仍然面临挑战。先进的链式思维（CoT）框架通过物理知识增强提示，但这些提示通常整体描述物理现象，忽视了中间状态和过渡动态。本文将PPVG重新定义为以事件为中心的生成，通过将物理演变表示为因果连接和物理约束的事件链。我们的框架包括三个关键模块：物理驱动的事件链推理、过渡感知的关键帧条件化和注入物理信息的对比语义引导。实验结果表明，我们的框架在多个领域生成的视频具有更高的物理可信度。

🔬 方法详解

问题定义：本文旨在解决物理可信视频生成中的自然语言条件不足问题，现有方法往往忽视了物理现象的中间状态和动态过渡，导致生成结果不够真实。

核心思路：我们提出将PPVG重新定义为事件中心的生成，通过因果连接的事件链来表示物理演变，确保生成过程符合物理规律。

技术框架：整体框架包括三个主要模块：1) 物理驱动的事件链推理，通过演变场景图分解物理现象；2) 过渡感知的关键帧条件化，为每个事件路由到特定的关键帧合成操作；3) 注入物理信息的对比语义引导，构建物理信息的正负提示以引导生成。

关键创新：最重要的创新在于将物理演变视为因果事件链，强调事件之间的物理约束与动态过渡，这一方法与传统的整体描述方式有本质区别。

关键设计：在设计中，物理量通过公式绑定到相关对象和交互，关键帧合成操作采用残差引导以实现平滑过渡，且使用无分类器的引导方法来提升生成的物理可信性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，本文提出的方法在PhyGenBench、VideoPhy、PhyWorldBench和Physics-IQ等多个基准上生成的视频在物理可信性方面显著优于现有技术，具体提升幅度达到XX%（具体数据待补充）。

🎯 应用场景

该研究的潜在应用领域包括虚拟现实、动画制作和游戏开发等，能够为这些领域提供更真实的物理模拟和视觉效果。未来，该方法可能推动更广泛的物理模拟技术的发展，提升用户体验和交互性。

📄 摘要（原文）

Physically Plausible Video Generation (PPVG) seeks to synthesize videos consistent with physical principles, yet remains challenging due to underspecified natural language conditioning. Advanced chain-of-thought (CoT) frameworks augment prompts with physical knowledge. However, such prompts describe physical phenomena holistically, overlooking intermediate states and transition dynamics. In this paper, we reformulate PPVG as event-centric generation by representing physical evolution as a chain of causally connected and physically constrained events. Our framework comprises three key modules: (1) Physics-driven Event Chain Reasoning. This module decomposes physical phenomena into causally connected events represented by evolving scene graphs. Formula-derived physical quantities are bound to relevant objects and interactions, characterizing the direction and magnitude of each event transition. (2) Transition-aware Routed Keyframe Conditioning. This module routes each event to a specialized keyframe synthesis operator for appearance variation or object transformation. Consecutive keyframes are injected as residual guidance during denoising, enabling smooth visual transitions between event-boundary states. (3) Physics-injected Contrastive Semantic Guidance. This module constructs physics-informed positive and counterfactual negative prompts for classifier-free guidance, steering generation toward plausible dynamics and away from physics-violating counterparts. Experiments on PhyGenBench, VideoPhy, PhyWorldBench, and Physics-IQ demonstrate that our framework generates videos with superior physical plausibility across diverse domains.