最近のビデオ生成手法は、物体の軌道などの中間制御信号を計画することで、時間的一貫性や運動の忠実性を改善しています。しかし、多くの方法は単純な動作に限定された単発の計画に依存しており、または複数回の呼び出しを必要とする反復的な洗練を行い、高い計算コストがかかります。この課題を克服するために、著者らはSketchVerifyという、テスト時のサンプリングと検証ループを導入した訓練不要の計画フレームワークを提案します。この方法では、プロンプトと参照画像を基に複数の候補計画を予測し、意味的整合性と物理的妥当性を共同で評価するビジョン・ランゲージ・バリファイアを使用してランク付けを行います。実験により、提案手法が競合手法と比較して運動の質、物理的リアリズム、長期的一貫性を大幅に改善できることが示されています。