NeuSpring：基于神经弹簧场的可变形物体重建与模拟
计算机视觉与模式识别
2025-11-12 v1
摘要
本文旨在创建受交互作用影响的可变形物体的物理数字孪生体。现有方法更关注当前状态建模的物理学习，但在未来预测上的泛化能力较差。这是因为现有方法忽略了可变形物体的固有物理特性，导致当前状态建模中的物理学习受限。为此，我们提出了NeuSpring，即一种用于从视频中重建和模拟可变形物体的神经弹簧场。基于弹簧-质量模型进行真实物理模拟，我们的方法包含两个主要创新：1）一种分段拓扑解决方案，有效地使用零阶优化来建模多区域弹簧连接拓扑，考虑真实物体的材料异质性。2）一种神经弹簧场，使用基于标准坐标的神经网络在不同帧之间表示弹簧的物理属性，有效地利用弹簧的空间关联性进行物理学习。在真实数据集上的实验表明，NeuSpring在当前状态建模和未来预测方面的重建与模拟性能均优于现有方法，分别以20%和25%的提升。
引用
@article{arxiv.2511.08310,
title = {NeuSpring: Neural Spring Fields for Reconstruction and Simulation of Deformable Objects from Videos},
author = {Qingshan Xu and Jiao Liu and Shangshu Yu and Yuxuan Wang and Yuan Zhou and Junbao Zhou and Jiequan Cui and Yew-Soon Ong and Hanwang Zhang},
journal= {arXiv preprint arXiv:2511.08310},
year = {2025}
}
备注
Accepted by AAAI2026