HEIR：学习基于图的运动层级结构
计算机视觉与模式识别
2025-10-31 v1 图形学
机器学习
摘要
运动的层级结构存在于多个研究领域中，包括计算机视觉、图形学和机器人学，其中复杂动力学通常源于较简单运动组件之间的协调互动。现有方法通常依赖于手动定义或启发式的层级结构，具有固定的运动原语，限制了其在不同任务中的可泛化性。在本工作中，我们提出了一种通用的层级运动建模方法，通过从数据中直接学习结构化、可解释的运动关系。该方法将观察到的运动表示为基于图的层级结构，显式地将全局绝对运动分解为继承自父节点的模式和局部运动残差。我们将层级推断表述为一个可微分的图学习问题，其中顶点代表 elemental motions（元素运动），而有向边通过图神经网络捕获学习到的父子依赖关系。我们在三个示例中评估了该层级重建方法：1D平移运动、2D旋转运动以及通过高斯溶解实现的动态3D场景变形。实验结果表明，该方法在1D和2D案例中重建了内在运动层级结构，并在动态3D高斯溶解场景中产生更真实、更可解释的变形。通过提供一种可适应的数据驱动的层级建模范式，该方法为广泛的运动导向任务提供了可适用的表述。项目页面：https://light.princeton.edu/HEIR/
引用
@article{arxiv.2510.26786,
title = {HEIR: Learning Graph-Based Motion Hierarchies},
author = {Cheng Zheng and William Koch and Baiang Li and Felix Heide},
journal= {arXiv preprint arXiv:2510.26786},
year = {2025}
}
备注
Code link: https://github.com/princeton-computational-imaging/HEIR