Problem

現有的影片世界模型多依賴特定視角的像素空間，且傳統神經物理模擬方法常需設計繁瑣的潛在空間，或強加特定的剛性與因果約束，難以在捕捉動態不確定性的同時，保持複雜幾何形狀的物理連貫性。

Method

提出名為 PhysiFormer 的擴散變換器框架，將頂點軌跡預測簡化為世界座標中的單一去噪擴散程序。模型採用隨時間、空間與物體分解的注意力機制，根據初始頂點位置、速度及材質類別（剛性或彈性）採樣未來軌跡，無需顯式對象編碼即可實現多物體推理。

Results

在超過 10 萬條軌跡的訓練下，PhysiFormer 在軌跡精確度、剛性保持與動量物理一致性上顯著優於自回歸基準模型。該模型展現出極強的泛化實力，能成功處理混合材質、未見過的真實世界幾何形狀，以及更高數量的物體互動。

Significance

這項研究證實座標空間擴散是實現視角無關、幾何感知世界模型的有效路徑。其具備處理不確定性的機率化特性，對於機器人操作、電腦圖學特效及物理產品設計等需要高度物理擬真感的應用具有重大價值。