CVPR 2026｜川大雷印杰团队：给视频生成注入物理定律，过程终于不再“出戏”

导语：川大雷印杰团队CVPR 2026新研究，用事件链和物理规律重写视频生成流程，让画面变化更符合真实世界逻辑。

如果你仔细观察过AI生成的视频，可能会发现一个很微妙的“穿帮”：一勺蜂蜜倒入热茶，本该拉出细长的丝，结果视频里直接断成一截截；一块冰在室温下融化，还没怎么化就凭空消失了；玻璃球掉进水里，本该减速下沉，画面却只给了一个入水瞬间。这些细节正是当前视频生成最容易让人出戏的地方——画面看起来像，但过程不对，缺乏真实世界那种连续演化的逻辑。

随着OpenAI Sora、Kling等模型不断刷新视觉质量的上限，清晰度和风格已经不再是主要瓶颈，但更深层的问题逐渐暴露：模型缺乏对物理规律的理解能力。现有方法大多依赖数据驱动的模式匹配，本质是在生成“看起来合理”的画面，而非模拟真实发生的过程，这在流体、热变化和多物体交互场景中尤为明显。

在这样的背景下，四川大学雷印杰团队提出了一项名为“Chain of Event-Centric Causal Thought for Physically Plausible Video Generation”（以事件为中心的因果思维链用于物理上合理的视频生成）的研究，并被CVPR 2026接收。这项工作不再直接从文本生成视频，而是让模型先理解物理过程本身，将复杂现象拆分成一系列具有因果关系的事件，并结合物理规律进行约束，再逐步生成视频。目标不是让画面仅仅“看起来真实”，而是让变化过程也符合现实世界的运行逻辑，从而在更深层次上提升视频生成的可信度和一致性。

论文地址：https://arxiv.org/pdf/2603.09094

一项更符合“真实世界”的实验结果

研究团队首先在PhyGenBench数据集上进行了系统评估，该数据集包含160条物理描述，覆盖力学、光学、热学和材料四类典型场景。整体来看，该方法取得了0.66的得分，此前最优方法PhysHPO为0.61，绝对提升0.05，相对提升约8.19%。与基础视频生成模型相比优势更加明显：Kling为0.49，Gen‑3为0.51，CogVideoX为0.45，而该方法达到0.66，提升幅度超过30%。

分领域结果中，力学方向得分0.67（此前约0.55），光学0.72（此前0.68），热学0.65（此前0.58），材料0.60（接近最高值0.65），在四个物理领域中有三个排名第一。

更细粒度的分析显示，该方法的优势集中在物理顺序正确性上。在力学场景中，物理现象识别和顺序正确性均为0.79，而对比方法DiffPhy的顺序正确性只有0.53，提升了0.26；光学场景中，顺序正确性从0.66提升到0.85，热学场景从0.58提升到0.69。这说明模型在时间顺序和因果逻辑方面的能力得到明显增强。

在更贴近真实应用的VideoPhy数据集上，该方法同样表现出了出色的泛化能力。该数据集包含688条提示，涵盖固体‑固体、固体‑液体、液体‑液体间复杂交互，评价指标为同时满足语义一致性和物理合理性的比例。该方法取得49.3%，此前最优约45.9%，提升了3.4%；与基础模型CogVideoX的39.6%相比，更是提升了9.7%。尤其在流体相关场景中，提升超过10%，处理连续物理动态的优势显著。

消融实验进一步验证了各组件的贡献：去掉物理公式模块，性能从0.66降至0.62（下降约6%）；去掉事件分解模块，降至0.59（下降约11%）；去掉文本渐进生成模块，降至0.64（下降约3%）；去掉关键帧生成模块，性能直接降至0.55（下降约17%），说明事件链结构和关键帧机制是整个方法的核心支柱。此外，研究还发现事件数量存在最优值：当事件数为4时性能最佳，过少信息不足，过多则误差累积导致性能下降。

从一句话，到一整个物理过程

为了得到上述结果，研究团队设置了统一的实验框架：视频生成模型采用CogVideoX‑5B，输出分辨率1360×768，共161帧；语言推理使用GPT‑OSS‑20B，图像编辑阶段使用Qwen‑Image模型生成关键帧并引导视频生成。

整体流程可以拆解为以下步骤：

物理规律识别与检索：输入“蜂蜜倒入杯中”等文本后，模型自动识别涉及的物理领域（如流体力学），并识别出体积变化、连续流动等特征，然后从知识库中检索相关物理公式，用于后续推理约束。
事件链构建（PECR模块）：完整物理过程被拆分成多个连续事件，如“开始倒入”“接触杯子”“液体逐渐堆积”“液面上升”等。每个事件不仅包含语义描述，还附带高度、体积等物理参数及物体间的空间关系，将连续过程转化为离散的事件序列。
语义提示生成：为每个事件生成描述语句，再整合为“首先…然后…最后…”形式的完整提示，确保事件间的因果顺序清晰一致。
视觉提示生成（关键帧）：针对每个事件生成一张对应图像，并通过图像编辑逐步修改画面，精确控制变化幅度（如液体高度增量），使视觉变化稳定且符合物理过程。
插值与视频生成：在相邻关键帧之间插入中间帧，构建连续过渡，再将整个帧序列输入扩散模型，生成最终视频。

在对比实验中，研究采用了相同的文本输入、数据集和评价指标，与普通视频生成模型（Kling、Gen‑3）及物理增强模型（DiffPhy、PhysHPO）进行全面比较，保证了结果的公平性和可比性。

从生成画面，到模拟现实

这项研究的意义，可以从一个很直观的变化来理解：以往的视频生成更像是在“拼画面”，模型只求结果看起来像真实世界，但一旦观察过程，就会发现液体不连续流动、物体运动缺乏前后关系等不合理之处。这些问题本质上是模型缺乏因果关系、时间逻辑和物理规律理解的结果。

雷印杰团队带来的改变，是将视频生成从简单的画面合成转变为对过程本身的建模。原本从文本直接生成图像序列，现在变成先构建具有因果关系的事件链，再基于这条链生成视频。这意味着模型不再只是输出结果，而是开始“经历过程”，在结构上自然引入时间顺序和前后逻辑，使视频更接近现实世界的演化方式。

这种能力提升来自三方面的结合：一是物理约束能力，引入物理公式让生成过程受到现实规律的制约；二是因果结构建模能力，通过事件链明确每一步骤的发生顺序；三是视觉锚点能力，用关键帧约束中间过程，使画面变化连续稳定。三者共同作用，推动模型从“生成看起来合理的结果”迈向“模拟真实发生的过程”。

对于普通用户，这一变化的影响非常直接：未来在短视频创作中，只需简单描述就能生成更真实连贯的动态内容；在教育场景，复杂物理过程（液体流动、光线传播、物体运动）能以视频直观展示；在游戏和虚拟世界，环境变化会更加符合现实规律；在自动驾驶和机器人训练中，这种更真实的模拟能力也有助于模型理解现实环境。

从长远看，这项研究把视频生成从视觉任务提升为物理过程建模问题，为构建更接近真实世界的智能系统提供了基础。不过研究团队也指出，当前方法在面对多个物理规律同时作用的复杂场景时仍有困难（例如牛顿摆与水爆炸同时发生），模型容易失效，说明在组合物理推理方面仍有提升空间，这也为后续研究指明了方向。

推动生成走向“因果”的研究者

本论文的通讯作者雷印杰是四川大学教授、博士生导师，国家级青年人才项目入选者，长期从事人工智能研究。他先后在西南交通大学、四川大学和澳大利亚西澳大学获得学士、硕士和博士学位，2013年加入四川大学电子信息学院，2017年起担任副院长，并入选四川省特聘专家、省学术和技术带头人后备人选，获四川杰出青年科学基金支持。其研究方向聚焦人工智能、计算机视觉及多模态理解，主持和参与多项国家级科研项目及企业合作，在学术研究与应用之间形成了良好的结合。