全面梳理200+篇前沿论文，视觉生成模型理解物理世界规律的通关密码，都在这篇综述里了！

新闻中心 NEWS CENTER

2025-02-03

浏览次数：次

aixiv 专栏持续关注前沿学术动态，多年来已报道超过2000篇来自全球顶尖实验室的学术论文，致力于促进学术交流与传播。欢迎投稿或联系报道 (liyazhou@jiqizhixin.com; zhaoyunfeng@jiqizhixin.com)。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

视频生成技术方兴未艾，有望成为模拟物理世界的“世界模型”，推动自动驾驶和机器人等领域发展。然而，现有模型在物理规律建模方面仍存在不足。来自悉尼大学、西澳大学等机构的研究人员近期发表综述文章，深入探讨如何将物理知识融入视觉生成模型。

生成式物理AI的核心概念

该综述首先明确了几个关键概念：物理模拟（根据物理模型模拟数据随时间变化）、物理理解（从观测数据推断物理模型或参数）、以及生成（使用生成模型创建新内容）。其中，不考虑物理规律的生成称为无物理感知生成，反之则为物理感知生成。

物理感知生成又可细分为两类：基于显式物理模拟的（PAG-E）和无显式物理模拟的（PAG-I）。PAG-E方法根据物理模拟和生成模型的融合方式，可分为六大范式：

基于显式物理模拟的生成 (PAG-E): 六大范式

生成后模拟 (Gen-to-Sim): 先生成内容，再添加物理属性使其可模拟和交互 (例如PIE-NeRF, PhysGaussian)。
生成中模拟 (Sim-in-Gen): 将物理模拟直接集成到生成模型中 (例如PhysGen, PhyCAGE, PhysDiff)。
生成与模拟并行 (Gen-and-Sim): 生成和模拟同时进行或紧密关联 (例如PAC-NeRF, iPAC-NeRF, PhysMotion)。
Reachout.ai
一个AI驱动的视频开发平台，专为忙碌的企业家和销售团队打造
142 查看详情
模拟约束生成 (Sim-Constrained Gen): 物理模拟为生成模型提供训练约束 (例如PhysComp, Atlas3D, DiffuseBot)。
生成约束模拟 (Gen-Constrained Sim): 生成模型为模拟提供指导或先验知识 (例如Physics3D, DreamPhysics, PhysDreamer)。
模拟评估生成 (Sim-Evaluated Gen): 生成的內容用于基于模拟的部署 (例如PhysPart, PhyScene)。