视觉中的生成式物理人工智能：综述
TLDR
关于视觉中整合物理合理性的生成式AI综述，按显式模拟或隐式学习方法分类，用于世界模拟器。
评分理由
The paper provides a structured categorization of physics-aware generation methods, addressing a critical gap in visual fidelity versus physical plausibility. However, as a survey, it lacks novel experiments or empirical contributions, limiting its direct impact.
Read-first 评分解释
综合优先阅读分 60.7，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 34。
研究版图角色
前沿论文复现锚点
排序敏感性
稳定性：volatile；排名波动范围：332。
关键词评分
深度分析
创新点
- 对物理感知生成方法进行系统分类，分为显式模拟和隐式学习
- 对物理基础生成的关键范式和评估协议进行全面分析
- 识别视觉中生成式物理人工智能的未来研究方向
方法
本综述对计算机视觉中物理感知生成的现有文献进行了系统性回顾，根据方法如何融入物理知识（显式模拟或隐式学习）进行分类。它还分析了关键范式，讨论了评估协议，并指出了未来的研究方向。
关键结果
提供了对物理感知生成当前工作的结构化分类和分析，突出了视觉保真度与物理合理性之间的差距以及世界模拟器的潜力。