Principia、動画モデルが物理法則を理解しているかを関係性で検証

はじめに

動画生成モデルの映像は急速に写実的になっています。しかし、見た目が自然であることと、物理的に正しいことは同じではありません。物体の軌道や衝突が滑らかに見えても、複数の物体を比較すると、加速度、反発、運動量の変化に矛盾が見つかる場合があります。

Principia は、この問題に対して別の評価方法を提案します。生成動画から速度や距離を絶対値として復元するのではなく、同じシーン内の物体が、共通する物理法則に沿った関係を示しているかを調べます。

絶対測定ではなく関係の一貫性を見る

生成動画の物理評価では、フレームレート、物体の実際の大きさ、焦点距離、カメラの校正情報が不明なことが大きな障害になります。そのため、画面上の移動量から現実世界の正確な速度や重力を判断するのは容易ではありません。

Principia は、物体をペアとして比較することで、この曖昧さを抑えます。同じ環境で動く物体には予測可能な相対関係があり、衝突した物体にも衝突後の変化に整合性があるはずです。研究チームは、この考え方に基づき、画像空間上で物理法則の違反を測る、カメラ校正に依存しない一貫性スコアを導入しました。

8種類のニュートン力学現象

ベンチマークでは、管理された手順で撮影した実世界のシーンを使用し、複数の運動タイプを評価します。

• 重力と放物運動：落下や飛行軌道の関係
• 反発、摩擦、運動量：衝突前後の運動変化
• 回転慣性：回転する物体の動的挙動
• 振り子と質量ばね振動：周期運動と振動過程の整合性

これにより、単純な落下テストだけでなく、並進、回転、衝突、振動を横断して動画の物理性を調べます。

結果が示す写実性の限界

6種類の先端動画生成モデルから数千本の生成結果を集めて評価したところ、Principia で0.42を超えるモデルはありませんでした。一方、各モデルのVBenchスコアはおよそ0.8でした。この差は、一般的な動画品質評価が外観や時間的な滑らかさを評価できても、より深い物理関係の破綻を見逃す可能性を示しています。

さらに、視覚言語モデルが物理違反を検出できるかも調べられました。最も良いモデルの正解率は67%で、多くのモデルは偶然に近い水準でした。現在のモデルは、物理的に不整合な動画を生成するだけでなく、その誤りを安定して発見することも苦手だといえます。

意義と今後の影響

Principia の重要性は、新しい順位表を作ったことだけではありません。実寸やカメラ情報を取得できない生成動画では、絶対値よりも物体間の関係を優先して検査する方が堅牢になり得ます。こうした指標は、衝突、回転、周期運動における繰り返しの失敗を特定し、動画モデルの訓練を改善する手がかりになるでしょう。

もちろん、このベンチマークだけで現実世界のあらゆる力学を代表できるわけではありません。それでも、動画モデルの進歩は画面の美しさだけでなく、生成された世界が内部的に矛盾していないかによっても測る必要があることを示しています。

出典：Hugging Face Daily Papers