Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.02244

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.02244 (cs)
[提交于 2025年6月2日 ]

标题: 运动感知视频生成模型

标题: Motion aware video generative model

Authors:Bowen Xue, Giuseppe Claudio Guarnera, Shuang Zhao, Zahra Montazeri
摘要: 基于扩散的视频生成技术的最新进展在视觉内容和语义连贯性方面取得了前所未有的质量。 然而,当前的方法主要依赖于从大量数据集中进行统计学习,而没有显式地对运动的底层物理特性进行建模,导致了细微但可感知的非物理伪影,从而降低了生成视频的真实感。 本文介绍了一种基于物理学的频域方法,以增强生成视频的物理合理性。 我们首先对各种物理运动(平移、旋转、缩放)在频域中的特征进行了系统分析,揭示了每种运动类型都表现出独特且可识别的频谱特征。 在此理论基础上,我们提出了两个互补的组件:(1) 一种物理运动损失函数,用于量化并优化生成视频与理想频域运动模式的一致性;(2) 一个频域增强模块,通过零初始化策略逐步学习调整视频特征以符合物理运动约束,同时保留原始网络功能。 在多种视频扩散架构上的实验表明,我们的方法显著提升了运动质量和物理合理性,而不会损害视觉质量和语义一致性。 我们的频域物理运动框架能够有效适用于不同的视频生成架构,为将物理约束整合到基于深度学习的视频合成流水线中提供了一种原则性的方法。 这项工作旨在建立数据驱动模型与基于物理的运动模型之间的联系。
摘要: Recent advances in diffusion-based video generation have yielded unprecedented quality in visual content and semantic coherence. However, current approaches predominantly rely on statistical learning from vast datasets without explicitly modeling the underlying physics of motion, resulting in subtle yet perceptible non-physical artifacts that diminish the realism of generated videos. This paper introduces a physics-informed frequency domain approach to enhance the physical plausibility of generated videos. We first conduct a systematic analysis of the frequency-domain characteristics of diverse physical motions (translation, rotation, scaling), revealing that each motion type exhibits distinctive and identifiable spectral signatures. Building on this theoretical foundation, we propose two complementary components: (1) a physical motion loss function that quantifies and optimizes the conformity of generated videos to ideal frequency-domain motion patterns, and (2) a frequency domain enhancement module that progressively learns to adjust video features to conform to physical motion constraints while preserving original network functionality through a zero-initialization strategy. Experiments across multiple video diffusion architectures demonstrate that our approach significantly enhances motion quality and physical plausibility without compromising visual quality or semantic alignment. Our frequency-domain physical motion framework generalizes effectively across different video generation architectures, offering a principled approach to incorporating physical constraints into deep learning-based video synthesis pipelines. This work seeks to establish connections between data-driven models and physics-based motion models.
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI)
引用方式: arXiv:2506.02244 [cs.CV]
  (或者 arXiv:2506.02244v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.02244
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Bowen Xue [查看电子邮件]
[v1] 星期一, 2025 年 6 月 2 日 20:42:54 UTC (3,742 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号