LikePhys: 우도 선호도를 통한 비디오 확산 모델의 직관적 물리 이해 평가

LikePhys: Evaluating Intuitive Physics Understanding in Video Diffusion Models via Likelihood Preference

October 13, 2025

저자: Jianhao Yuan, Fabio Pizzati, Francesco Pinto, Lars Kunze, Ivan Laptev, Paul Newman, Philip Torr, Daniele De Martini

cs.AI

초록

비디오 확산 모델에서의 직관적 물리학 이해는 일반적인 목적의 물리적으로 타당한 세계 시뮬레이터를 구축하는 데 필수적인 역할을 하지만, 생성 과정에서 물리학적 정확성과 시각적 외관을 분리하는 어려움으로 인해 이러한 능력을 정확히 평가하는 것은 여전히 어려운 과제로 남아 있습니다. 이를 위해, 우리는 LikePhys를 소개합니다. 이는 훈련이 필요 없는 방법으로, 물리적으로 유효한 비디오와 불가능한 비디오를 구분하여 비디오 확산 모델의 직관적 물리학 이해를 평가합니다. 이를 위해 ELBO 기반의 가능성 대용체로서의 디노이징 목적 함수를 사용하여, 유효-무효 쌍으로 구성된 데이터셋에서 평가를 수행합니다. 우리가 구성한 4개 물리학 영역에 걸친 12가지 시나리오 벤치마크에서 테스트한 결과, 우리의 평가 지표인 타당성 선호 오차(PPE)는 인간의 선호와 강력한 일치를 보이며, 최신 평가 기준선을 능가하는 성능을 보였습니다. 그런 다음, 우리는 현재의 비디오 확산 모델에서 직관적 물리학 이해를 체계적으로 벤치마크했습니다. 우리의 연구는 모델 설계와 추론 설정이 직관적 물리학 이해에 미치는 영향을 분석하고, 물리 법칙에 걸친 영역별 능력 변이를 강조합니다. 실험 결과는, 현재의 모델들이 복잡하고 혼돈스러운 동역학에 어려움을 겪고 있음에도 불구하고, 모델 용량과 추론 설정이 확장됨에 따라 물리학 이해가 개선되는 명확한 경향이 있음을 보여줍니다.

English

Intuitive physics understanding in video diffusion models plays an essential role in building general-purpose physically plausible world simulators, yet accurately evaluating such capacity remains a challenging task due to the difficulty in disentangling physics correctness from visual appearance in generation. To the end, we introduce LikePhys, a training-free method that evaluates intuitive physics in video diffusion models by distinguishing physically valid and impossible videos using the denoising objective as an ELBO-based likelihood surrogate on a curated dataset of valid-invalid pairs. By testing on our constructed benchmark of twelve scenarios spanning over four physics domains, we show that our evaluation metric, Plausibility Preference Error (PPE), demonstrates strong alignment with human preference, outperforming state-of-the-art evaluator baselines. We then systematically benchmark intuitive physics understanding in current video diffusion models. Our study further analyses how model design and inference settings affect intuitive physics understanding and highlights domain-specific capacity variations across physical laws. Empirical results show that, despite current models struggling with complex and chaotic dynamics, there is a clear trend of improvement in physics understanding as model capacity and inference settings scale.