PhysicsGen：生成式模型能否从图像中学习以预测复杂物理关系？
计算机视觉与模式识别
2025-03-10 v1
摘要
生成式学习模型的图像到图像翻译能力近期在估计图像分布间复杂（受控的）映射方面取得了显著进展。尽管基于外观的任务（如图像修复或风格迁移）已被深入研究，我们提出探讨生成式模型在物理仿真背景下的潜力。通过提供包含30万对图像的数据集以及针对三个不同物理仿真任务的基线评估，我们提出一个基准来研究以下研究问题：i) 生成式模型能否从输入-输出图像对中学习复杂的物理关系？ii) 通过替代基于微分方程的仿真可以实现多大的加速？尽管不同现有模型的基线评估展现了高加速的潜力（问题ii），这些结果也显示出在物理正确性方面的严重局限性（问题i）。这凸显了对新方法以强制保证物理正确性的需求。数据、基线模型和评估代码见 http://www.physics-gen.org。
引用
@article{arxiv.2503.05333,
title = {PhysicsGen: Can Generative Models Learn from Images to Predict Complex Physical Relations?},
author = {Martin Spitznagel and Jan Vaillant and Janis Keuper},
journal= {arXiv preprint arXiv:2503.05333},
year = {2025}
}