エージェント型二重エンジンによる物理一貫動画生成「VideoCoCo」

記事の3ポイント

1. 1

   実行可能コードによる物理的推論の実装

   既存の非実行可能な中間表現に代わり、Blenderプログラムを実行可能なプロセスレベルの思考連鎖として採用し、シーンの時間発展を明示的に記述する。

2. 2

   エージェント型デュアルエンジンシステムの構成

   コーディングエージェントがテキストプロンプトからBlenderプログラムを合成し、シミュレーションエンジンで決定論的な空間時間ドラフトを作成した後、生成エンジンがこれを写真写実的な動画に変換する。

3. 3

   評価ベンチマークにおける性能向上

   提案された手法はPhyGenBenchで0.475から0.558へ、VBench-2.0で52.18から77.88へと大幅にスコアを向上させ、両ベンチマークで最高平均点を記録した。