跳到正文

论文解读

arXiv 论文中文摘要 + 关键要点 · 最近 30 天· 已显示 13 篇

cs.GR·已译

TetraCoder:面向神经场的自适应四面体编码

TetraCoder: Adaptive Tetrahedral Encoding for Neural Fields

Daniele Della Pietra · Antonella Rech · Nicola Conci · 1+

几何的隐式与显式表示在计算机图形学应用中各有优劣:显式表示上的表面采样更快,隐式表示上的空间查询更快,因此高效的相互转换极具价值。TetraCoder 是一种单分辨率、无哈希的自适应四面体编码,将显式四面体空间编码器与底层隐式符号距离场(SDF)相连接。由此得到的隐式-显式混合空间在设计上是连续分段仿射(CPWA)的,使隐式 SDF 与显式解析网格之间能够精确对应。该设计还带来额外优势:(a) 由于采用单分辨率可优化网格,其扩展性优于多分辨率编码方法;(b) 与基于哈希的方法不同,它不受碰撞影响;(c) 可直接通过其自适应四面体骨架实现快速四面体光线追踪以及几何与外观编辑。在图像与点云的 2D/3D 拟合、3D 新视角合成、3D 重建以及几何/外观编辑等多项任务上,TetraCoder 相比当前最优方法均有提升,展示了其通用性。

cs.GR·已译

基于姿态的动画角色神经服装

Pose-based Neural Clothing for Animated Characters

Julian N. Heidenreich · Vinicius C. Azevedo · Jakob Buhmann · 4+

传统动画角色的服装模拟因仿真缓慢和参数调优繁琐,成为美术师耗时瓶颈。数据驱动方法能从模拟数据集学习高质量变形,轻量网络设计可实现实时推理,显著改善工作流,让美术师交互式摆姿势并即时看到高质量褶皱。然而,现有神经服装方法在真实人体模型(如SMPL)数据集上表现良好,但在动画角色数据集上训练时难以泛化到未见姿态。本文旨在设计神经网络和训练策略,以实时更好地泛化到未见姿态,支持交互式摆姿势应用。聚焦于生产导向的单件服装准静态设置,利用平滑、表达性强的潜在空间,先训练变分自编码器(VAE),再逐步训练VAE编码器从重建过渡到姿态驱动预测。网络以低维姿态参数和角色身体表面位移为条件。引入新颖的局部梯度直方图损失,缓解重建损失的过度平滑效应。在生产级资产和公开数据集上的广泛评估表明,该方法能实时生成锐利逼真的褶皱、平滑的大尺度悬垂和时间连贯性,为交互式摆姿势工作流提供稳健且易于集成的解决方案。

cs.GR·已译

面向全六面体网格的CAD分解拓扑感知强化学习

Topology-Aware Reinforcement Learning for CAD Decomposition toward All-Hexahedral Meshing

Jiaming Peng · Zhihao Zheng · Rui Wang · 4+

复杂CAD模型的自动六面体网格生成长期被视为网格生成领域的“圣杯”。核心挑战来自特征错位:正交或交互特征共存,使直接六面体网格生成不可行,需要分解为更简单、可网格化的块。现有分解方法(包括框架场流水线和基于学习的技术)虽减少了人工干预,但仍对几何与拓扑复杂度敏感,在困难特征配置下可能无法产生有效分解。其动作空间通常局限于基于表面的切分,常导致无效或不可网格化的分解。为此提出DecompRL,一个面向六面体网格生成的CAD分解深度强化学习框架。设计一组拓扑感知的内部切分动作,利用全局拓扑结构与局部几何属性有效分离错位特征;引入几何奖励与可网格化反馈,引导学习走向有效分解和高质量网格。在ABC、Fusion360、NIST和DeepCAD上的实验表明,DecompRL在四个基准中的三个上取得所评估学习方法中最高的成功率,同时保持有竞争力的网格质量。实测LMFF与DecompRL的运行时间比最高达两个数量级;该比较为完整LMFF流程与仅DecompRL分解(不含后续网格生成)。最大成功率提升出现在Fusion360,DecompRL达到59.6%的成功率。

cs.GR·已译

三维网格的几何纹理分割

Segmenting Geometric Textures of 3D Meshes

Weidan Xiong · Kaijie Qu · Shihao Feng · 3+

识别三维模型上的几何纹理模式对文物保护、模型编辑和3D打印等应用至关重要。现有三维模型分割方法主要关注高层语义部件,无法捕捉中层纹理。尽管近期视觉语言模型(Vision-Language Model)能借助合适的文本提示进行图像分割,但仍难以识别三维几何纹理。本工作提出一种基于中层几何纹理分割三维网格模型的方法,并引入新的几何纹理分割基准(benchmark),据此微调 SAM3。分割出的纹理区域随后依据 DINO 特征相似度聚类,并从2D提升到3D。此外,开发了一个交互工具,可基于分割结果进行三维模型编辑,并依据几何与纹理相似度从数据集中检索模型。实验表明,该方法在几何纹理分割上显著优于现有方法,并能支撑多种应用。

cs.GR·已译

NanoVDB 中的动态 GPU 体素网格与体素顺序处理

Dynamic GPU Voxel Grids and Voxel-sequential Processing in NanoVDB

Eftychios Sifakis · Francis Williams · Christopher Horvath · 4+

NanoVDB 数据结构的两项基础性进展:GPU 原生的动态拓扑更新,以及一种体素顺序访问范式,可显著加速稀疏网格上的逐点与模板算子。NanoVDB 的线性化内存布局已带来强劲的 GPU 性能,fVDB 框架(Williams 等,2024)提出的 Index-Grid 概念实现了拓扑与数据分离,并在稀疏机器学习负载中达到最优存储紧凑性。但此前所有 NanoVDB 迭代都假设拓扑静态,使其无法用于仿真与动态几何过程。通过引入一组动态拓扑算子——形态学膨胀、网格合并、剪枝以及跨分辨率粗化与细化——消除了这一限制。这些算子采用位并行(bit-parallel)算法,可在数毫秒内重建包含数亿体素的网格。还引入体素顺序访问范式与数据结构,用于在稀疏数据上运行的 GPU 内核:将活跃体素作为扁平线性序列流式处理,在此过程中最小化或消除树遍历需求,从而实现计算密度与规整性,使复杂模板算子也能接近峰值内存带宽,且存储开销极小。这些贡献共同移除了 NanoVDB 的只读约束,使其成为动态 GPU 仿真与几何操作的高性能主表示。在 3D 重建、流体仿真和大规模网格体素化等应用的基准上评估了新算子的有效性。

cs.GR·已译

EDGAR:通过合成失败样本的高效扩散驱动高斯头像精修

EDGAR: Efficient Diffusion-Driven Gaussian Avatar Refinement via Synthetic Failure

Kwan Yun · Minhyeok Bang · Colette Suhjung Koo · 1+

近期高斯泼溅(Gaussian splatting)的进展使高效、逼真的头部头像重建成为可能,但基于单目视频或图像的方法仍受几何与纹理约束不足的困扰,产生模糊、拉伸和时间不稳定等伪影。EDGAR(Efficient Diffusion-Driven Gaussian Avatar Refinement)是一个条件扩散框架,通过修正伪影并保持身份保真度来提升高斯头像质量。为训练 EDGAR,构建了 EDGAR-SET,一个由真实采集与合成渲染样本组成的混合三元组数据集,通过将退化渲染与真值及参考图像配对来模拟真实的高斯头像失败案例。EDGAR 通过融合模块精修退化帧,将自监督 Sapiens 模型提取的身份特征注入一步扩散骨干,在不牺牲效率的前提下有效去除伪影。模型采用混合专家(Mixture-of-Experts, MoE)架构以应对多样的退化类型与严重程度。精修后的多视角渲染随后作为伪目标优化单一底层高斯头像,使最终头像无需对每帧输出应用 EDGAR 即可渲染。在三种高斯头像重建方法、各三种设置下的实验显示,感知与重建指标均优于原始输出及 SDEdit 风格的精修基线。跨视角评估表明校准一致性提升,大偏航角与张嘴表情测试验证了极端设置下的鲁棒性。结果共同表明存在一个可恢复外观伪影的有效工作区间。代码见 https://kwanyun.github.io/edgar/

cs.GR·已译

超越下一步:世界模型引导的多智能体场景类人导航

Seeing Beyond the Next Step: World-Model-Guided Human-Like Navigation in Multi-Agent Scenes

Seong-Eun Hong · JuYeong Hwang · Jinhyun Kim · 2+

在人群密集场景中选择下一步动作,不只是避开当前障碍:某个动作局部可行,却可能偏离人行横道走上车道、切入过街人流,或堵住狭窄通道。这些失效模式仅凭当前状态无法察觉,需要推理每个候选动作的后果。世界模型恰好提供这种动作条件下的未来预测,但每一步决策都展开推演,部署级导航系统无法承担其开销,领域内大多以速度换取了前瞻性。本文认为这是伪两难。世界模型在人类感知导航中的自然位置是训练时作为偏好预言机,将前瞻蒸馏进快速策略,而非推理时作为在线规划器。方法将离散视觉动作先验与两个任务对齐的世界模型配对,一个建模近邻社会动态,一个建模未来场景语义,按预测后果为候选动作打分,并通过组相对偏好蒸馏精炼策略。部署时两个世界模型均移除,策略单次前向完成动作。在五个留出评估场景中,导航在安全性、社会与群体一致性、目标导向上均优于强反应式与学习基线,朴素观察者评价其运动更类人。结论指向将世界模型前瞻引入可部署智能体的另一条路径:不加速推演,而是将其摊销进策略,使前瞻成本仅限训练阶段。项目页:https://seoneun.github.io/-NeurIPS-2026-Seeing-Beyond-the-Next-Step/

cs.GR·已译

3D 旋转的表示:数学基础与比较分析

Representations of 3D Rotations: Mathematical Foundations and Comparative Analysis

Aizierjiang Aiersilan · Haochen Liu · James Hahn

旋转表示是计算机图形学、机器人学和机器学习等领域的基础,精确高效地建模 3D 朝向至关重要。系统考察特殊正交群 SO(3) 的多种表示,包括欧拉角、轴角向量、四元数、旋转矩阵、指数映射及新兴的连续与概率方法,评估其数学形式、连续性、万向节锁敏感性、计算效率、存储需求、插值特性与复合运算,并结合动画、姿态估计、惯性导航、3D 形状配准和神经网络等应用给出代数细节。实证表明,四元数因紧凑和高效而占主导;6D 连续表示和矩阵 Fisher 分布等替代方案在连续性和不确定性建模上更优。未来可探索混合方法和大规模评估,为改进旋转表示技术奠定基础。

cs.GR·已译

SAM 3D Body 的人体测量保真度研究

Investigating Anthropometric Fidelity in SAM 3D Body

Aizierjiang Aiersilan · Ruting Cheng · James Hahn

SAM 3D Body 的发布是人体现网格恢复领域的最新进展,在从单张图像生成干净、拓扑一致的网格方面表现出更优性能。借助 Momentum Human Rig (MHR),该模型对遮挡和多样姿态具有鲁棒性。然而,评估揭示了一个具体且一致的局限:模型难以重建细致的人体测量偏差,尤其是在表现出显著形态改变的人群中,如老年肌肉萎缩、脊柱侧弯或妊娠,即使这些特征在输入图像中十分明显。本文将这一现象视为“感知-失真权衡(perception-distortion trade-off)”的副产物,而非模型能力的失败。研究认为,架构上依赖低维参数化 MHR 表示,结合语义不变条件(DINOv3)和基于标注的对齐,共同造成了普遍的“向均值回归”效应。通过分析这些机制,解释个体生物学细节为何被平滑掉。此外,提出未来工作的具体建设性路径,如隐式-显式混合表示和 Medical-in-the-Loop 对齐,以将 SAM 3D Body 的基线性能扩展到高精度医学领域。

cs.GR·已译

SemEllipsoid:语义感知的椭球形状抽象

SemEllipsoid: Semantic-aware Shape Abstraction with Ellipsoid

Kuankuan Cheng · Haocheng Yuan · Changjian Li

用一组基元表示三维形状(形状抽象)是计算机图形学中活跃的研究问题,因基元表示紧凑且计算高效,在形状理解、分析与仿真中应用广泛。已有工作主要关注几何感知的形状抽象,目标是用最少基元逼近输入形状并保持几何保真度,但常忽略语义一致性,导致基元跨越多个语义部件,在下游的部件级形状编辑或操作中产生不良伪影。本文提出新任务——语义感知的形状抽象,目标是生成既几何保真又语义一致的抽象,确保每个基元严格属于单一语义部件、不跨越语义边界。为此提出 SemEllipsoid,使用椭球基元解决该问题。核心思想是利用大规模基础模型提供的语义线索,将语义约束注入基元优化过程。设计全可微的投影-混合-评估方案,以输入语义掩码为参照度量语义偏差,并构建交替优化策略,迭代求解最优语义分配与基元配置。该方法非学习式,无需数据收集或网络训练,可泛化到任意类别形状,并支持按用户需求调整抽象层级。在多个三维形状集合上的实验与评估验证了有效性。

cs.GR·已译

TalkFlow:面向语音驱动的整体动作生成的结构化潜在流匹配

TalkFlow: Structured Latent Flow Matching for Speech Driven Holistic Motion Generation

Xinmu Wang · Fumi Honda · Xiang Gao · 3+

语音驱动的整体动作生成旨在从语音合成协调的面部表情、手势和身体动作,其难点在于各部位异构的动态、长程时间连贯性以及跨部位协调。直接建模高维动作可能不稳定,而过于紧凑或无结构的潜在空间可能丢失细粒度动作细节。TalkFlow 是一个用于语音驱动整体动作生成的结构化潜在流框架。它学习上半身动作、下半身动作和面部表情的连续三流潜在表示,保留各部位特有的动态,而不将异构动作成分强行压入单一潜在空间。为保持整体协调,在潜在表示学习和基于流的生成中均引入轻量跨流交互。以多级语音特征为条件,TalkFlow 执行语音条件潜在流匹配,学习从源潜在到真实动作潜在的连续传输过程。在 BEAT2 数据集上的实验在面部表情准确度、身体手势质量和语音-动作同步方面表现强劲。定性比较和用户研究进一步表明,TalkFlow 比现有最先进方法生成更自然、更具表现力且与语音更对齐的整体动作。项目页面:https://xinmuwang.github.io/TalkFlow/。

cs.GR·已译

速度空间 3D 资产编辑

Velocity-Space 3D Asset Editing

Hao Liu · Yuxuan Lin · Jingfeng Guo · 4+

局部 3D 资产编辑要求修改目标区域,同时保留其余内容。现有方法依赖生成器外部机制实现局部性,例如手工 3D 掩码、事后体素合并或 2D 多视图反投影,均未介入 ODE 采样器内部的退化根源。为实现忠实的局部编辑,整流流生成器的速度场应在目标区域保持强度,并在保留内容上消失;但单一速度场难以兼顾两者,进而产生身份泄漏、缺少专用编辑放大通道,以及几何和材质阶段的身份拖拽三类问题。VS3D(Velocity-Space 3D Asset editing)是一种无需反演、无需训练且无需掩码的框架,通过比较冻结模型在源条件与目标条件下的响应来推导编辑和保留信号,并设置三个阶段专用模块。重建锚定源注入(RASI)利用源重建校准每个资产的逐步锚点,以吸收身份泄漏。部分均值引导(PMG)对比速度差的高质量与低质量子采样估计,仅在存在一致编辑的位置放大编辑信号。孪生一致性残差注入(TAR)允许采样器逐 token 决定几何和材质阶段应保留的内容。多个 3D 资产上的实验表明,VS3D 优于最先进的原生 3D 与 2D 反投影编辑器,验证了速度空间编辑在免训练 3D 资产编辑中的有效性。代码公开于 https://github.com/LHaoooo/VS3D。

cs.GR·已译

MeshCone:用于几何约束网格增强的二阶锥规划

MeshCone: Second-Order Cone Programming for Geometrically-Constrained Mesh Enhancement

Alexander Valverde

现代网格生成流程,无论基于学习还是传统方法,输出结果通常仍需后处理才能达到生产级几何质量。MeshCone 是一种用于引导式网格细化的凸优化框架,可借助参考几何纠正变形或退化的网格。该方法将问题表述为二阶锥规划,通过优化顶点位置使其贴合目标几何,同时以凸边长正则化施加平滑约束。MeshCone 执行几何感知优化,在纠正结构缺陷的同时保留精细细节。在 ShapeNet 和 ThreeDScans 的 56 个多样物体类别上,MeshCone 展现出稳健性能;相比 Laplacian 平滑和未经优化的基线,其网格细化质量更优,并将推理时间保持在 1 秒以内。该方法尤其适用于可获得参考几何的场景,包括基于模板生成网格、扫描到 CAD 对齐,以及资产生产流程中的质量保证。

已到最早一页已出中文摘要 13