PhysTrace: Interpretable Temporal Evaluation of Physical Consistency in Video Generative Models

📄 arXiv: 2610.31429v1 📥 PDF

作者: Taekoan Yoo, Wonkyung Jung, Kyunghun Kim, Kyeongbo Kong

分类: cs.AI, cs.RO

发布日期: 2026-10-22

备注: 17 pages, 7 figures (including supplementary material). Code: https://github.com/PhysTrace/PhysTrace

💡 一句话要点

提出PhysTrace以解决视频生成模型物理一致性评估问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 视频生成 物理一致性 可解释性 模型评估 时间序列分析

📋 核心要点

  1. 现有方法在评估视频生成模型的物理一致性时，往往无法明确识别历史条件期望与实际观察之间的冲突。
  2. 论文提出PhysTrace框架，通过对齐生成的历史条件期望与观察视频，定位物理违规并提供可解释描述，无需特定任务的探测器或分类器。
  3. PhysTrace在IntPhys2-Timing上实现了高达70.7%的命中率，并在整体判别准确性上优于其他方法，展示了其有效性。

📝 摘要（中文）

世界行动模型越来越依赖于预训练的视频模型，这些模型假设能够捕捉物理动态以进行预测、规划和动作生成。现有评估方法主要关注可信度、探测表示或测量预测惊讶，但很少识别与观察结果冲突的历史条件物理期望。本文提出了PhysTrace，一个无训练框架，将MLLM生成的历史条件期望与观察到的视频窗口对齐，以时间上定位物理违规并提供可解释的描述。我们还引入了IntPhys2-Timing，为IntPhys2添加了违规间隔。PhysTrace在IntPhys2-Timing上实现了高达70.7%的命中率，并在IntPhys2上的整体可能-不可能判别准确性上超越了比较方法。应用于重建视频时，PhysTrace揭示了物理违规定位中的属性和噪声依赖模式，使得跨时间步的物理一致性分析更加可解释。

🔬 方法详解

问题定义：本文旨在解决视频生成模型在物理一致性评估中的不足，现有方法难以识别历史条件期望与观察结果之间的冲突，导致评估结果不够准确。

核心思路：PhysTrace框架通过将生成的历史条件期望与实际观察视频进行对齐，能够有效地定位物理违规，并提供可解释的描述，避免了对特定任务的依赖。

技术框架：PhysTrace的整体架构包括两个主要模块：一是生成历史条件期望，二是与观察视频进行对齐和比较。通过这种方式，能够在时间上定位物理违规。

关键创新：PhysTrace的核心创新在于其无训练的特性，能够直接对齐生成的期望与观察结果，提供可解释的物理一致性分析，这与现有方法依赖于复杂的训练过程形成鲜明对比。

关键设计：在设计上，PhysTrace采用了特定的对齐算法和评估指标，确保能够准确地识别和描述物理违规情况，同时在参数设置上进行了优化，以提高命中率和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

PhysTrace在IntPhys2-Timing上实现了高达70.7%的命中率，显著提升了物理原则的评估准确性。同时，在整体可能-不可能判别准确性上超越了其他比较方法，展示了其优越的性能和有效性。

🎯 应用场景

该研究的潜在应用领域包括视频生成、机器人动作规划和智能监控等。PhysTrace能够为这些领域提供更为准确和可解释的物理一致性评估，提升系统的可靠性和安全性，未来可能对自动化和智能系统的发展产生深远影响。

📄 摘要（原文）

World action models increasingly rely on pretrained video models assumed to capture physical dynamics for prediction, planning, and action generation. Existing evaluations assess plausibility, probe representations, or measure predictive surprise, but rarely identify which history-conditioned physical expectations conflict with observations. We introduce PhysTrace, a training-free framework aligning MLLM-generated, history-conditioned expectations with observed video windows to temporally localize physical violations and provide interpretable descriptions without task-specific probes or classifiers. We also introduce IntPhys2-Timing, adding violation intervals to IntPhys2. PhysTrace achieves a Hit Rate of up to 70.7% across physical principles on IntPhys2-Timing and outperforms the compared methods in overall possible-impossible discrimination accuracy on IntPhys2. Applied to reconstructed videos along the trajectories of pretrained diffusion/flow-based video models, PhysTrace reveals attribute- and noise-dependent patterns in physical violation localization, enabling interpretable physical consistency analysis across timesteps.