你拿手机绕着一把椅子走半圈，椅子没有变，只是你看见了它的侧面和背面。可如果你伸手推它，椅子的位置、接触关系和运动状态都会改变。对人来说，这两件事泾渭分明；对生成式 AI 来说，它们最后都表现为“下一帧画面变了”，很容易混为一谈。
TourPhysics 想解决的正是这个问题。它从一张图片出发，让系统既能移动相机、持续探索场景，也能推拉物体、模拟接触与形变。关键不只是生成一段看起来合理的视频，而是让镜头移动归镜头移动，物理变化归物理变化，并在多轮操作后仍保留同一个世界。
这项工作的全部结果目前来自作者发布的 arXiv 论文，尚无第二个独立信源。论文称 TourPhysics 扩展自团队的 PhysOmni，并将后者描述为一项“ACM Multimedia 2026 work”；这一说法本身没有进一步明确正式发表、接收或待刊状态。
一张照片，先搭出一个可操作的假设
单图建世界有一个绕不过去的难题：照片只展示一个视角。被遮住的区域长什么样，物体背面是什么形状，彼此相距多远，都没有唯一答案。TourPhysics 因而没有声称从照片中恢复“真实世界原样”，而是结合照片与一份声明式物理配置，搭出一个持续可控的物理假设。
所谓声明式配置，就是用户先说明“有什么、怎么动”，包括可控制的物体、材料类别、边界条件、外力、干预方式和相机动作。初始化时，系统分割选定物体，把它们提升为显式网格，并放进统一、考虑重力方向的场景坐标中。论文使用 SAM 3 和 SAM 3D Objects 获得物体蒙版与局部三角网格，再用 LaMa 补掉前景，留下相机移动时可供补全的背景底板。原始图片则始终保留，作为不可改写的外观参照。
这里的“世界模型”，可以理解为机器对环境变化的内部模拟器：给它当前状态和一个动作，它要预测接下来会发生什么。TourPhysics 让刚体、布料、弹性体、颗粒和流体代理分别走相应的模拟路线，以重力、碰撞、接触和材料形变等物理先验约束后续变化。
先把事情算完，再决定画面怎么长
TourPhysics 最重要的设计，是明确划分状态由谁说了算。
每次收到动作后，模拟器先复制当前已确认的状态，计算一个有限时间窗口内的物体轨迹和相机轨迹。轨迹一旦算好，生成器才据此合成视频观察。也就是说，视频模型负责把既定过程“拍出来”，不能在生成途中顺手改变物体位置、碰撞关系或场景几何。
这像是先由舞台监督排定演员走位和摄影机路线，再让摄影组完成画面。摄影可以补足灯光、纹理和未见区域，却不能临时改剧本。
每个窗口包含一个与上段共享的边界帧和 80 个新帧，共解码 81 帧。生成后还有一道质量门。只有观察通过检查，窗口终点的物理状态、相机状态和新增外观记忆才会一起提交；如果失败，候选结果全部丢弃，系统回到原检查点，用相同动作、轨迹、几何记录和控制条件重试，只允许更换采样随机种子。
这个“原子提交”很关键。它避免生成失败时，物理世界已经偷偷向前走了一步，也避免坏画面混进记忆，污染后面的生成。论文所称的在线框架，指的就是这样一轮轮执行“模拟—生成—检查—提交”，而不是一次性吐出整段视频。
两种深度，各管一件事
TourPhysics 还刻意维护两套深度表示。
第一套是模拟器一致的度量深度，即带有场景尺度含义的空间距离。它负责投影、遮挡判断、跨视角对应和轨迹评估，也决定哪些表面在某个机位真正可见。第二套是提供给视频生成器的相对深度，只表达前后层次，不承担物理裁决。
为什么要分开？生成模型需要的是有利于合成画面的条件，模拟器需要的却是稳定的空间证据。若让生成画面反过来改写碰撞几何，模型一次看似自然的补全，就可能变成下一轮错误的物理事实。TourPhysics 允许已接受的观察补全生成器所用的深度控制，但明确禁止它覆盖模拟器深度、碰撞表面或物理状态。
重访旧地方，不能每次换一张脸
长时间生成还有一种常见故障：模型绕场景走一圈再回来，墙面纹理、物体颜色或局部细节已经悄悄漂移。只靠相邻帧缓存，错误也可能被一路传下去。
TourPhysics 因此保留原始图片作为永久锚点，并为已经接受的静态区域建立外观记忆。系统借助几何跨视角对应，判断新视角中的某个位置是否能可靠对应到旧视角里的同一表面。只有可见、静态、深度一致且置信度足够的区域才能读取历史信息；移动或发生形变的物体被排除。
历史特征也不会直接接管生成。论文采用“有界残差”：可以把它理解为在生成器原本结果旁边加一笔受限修正。没有可靠对应时，这笔修正严格归零，系统退回原生的参考图条件路径。这样，记忆负责提醒“这里以前长什么样”，但不能凭模糊匹配强行复制旧画面或改变当前布局。
为什么值得关注
这项工作的价值，不在于把物理模拟器简单接到视频生成器前面，而在于给不同信息划定权限：模拟器拥有物理状态，模拟器几何拥有空间判定权，生成器负责外观，只有通过检查的观察才能进入记忆。
这套分工正面回应了单图世界的核心矛盾。移动相机只扩展系统对同一场景的认识；推、拉、碰撞才改变物理状态。TourPhysics 把两者写进同一个持续循环，而不是把所有变化都交给视频模型猜。
论文的评测包含 108 条由模拟器定义的交互序列，来自 61 个源图像身份，覆盖纯相机漫游以及刚体、布料、弹性体、颗粒和流体代理的操控。作者将其与 LingBot-Cam、LingBot-Act、minWM-Wan、Wan2.1-I2V、Sora-2、MotionCtrl 和 Tora-Initiator 等系统比较，并声称 TourPhysics 更贴合预设的相机与物体轨迹，更能保留输入场景，也减少了长程重访时的外观漂移。
局限与未知
- 上述优势均为作者在单篇论文中的比较性结论。现有材料没有给出对应实验表格、具体指标、提升幅度或统计显著性，因此不能视为已经独立验证。
- 系统从单图建立的是一个受配置约束的物理假设，不是对遮挡几何、真实尺度和材料参数的唯一恢复。初始假设若有偏差，后续一致性只能保证围绕这套假设展开。
- 论文使用“persistent exploration”和“long-horizon”等表述，但材料没有给出统一的时长边界。质量门也主要检查可解码帧数、黑帧、边界跳变和冻结运动等问题，并不等同于全面验证物理真实性。