SLAT-Phys：从结构化 3D 隐式预测材料属性场的快速方法

估计 3D 资产的材料属性场对于物理仿真、机器人和数字孪生生成至关重要。现有视觉方法要么昂贵且缓慢，要么依赖 3D 信息。我们提出了 SLAT-Phys（Spatially-organized Latent Asset for material Property prediction），这是一种从单张 RGB 图像直接预测 3D 资产材料属性场的端到端方法，无需显式 3D 重建。我们的方法利用来自预训练 3D 资产生成模型的空间组织隐式特征，后者编码了丰富的几何和语义先验信息，并训练一个轻量级神经解码器来估计杨氏模量、密度和泊松比。隐式表示中关于对象几何和外观的粗略体积布局和语义线索，使我们能够准确地进行材料估计。我们的实验表明，该方法在预测连续材料参数方面与先前方法相比具有竞争的准确性，同时显著减少了计算时间。特别地，SLAT-Phys 在 NVIDIA RTX A5000 GPU 上仅需 9.9 秒即可完成单对象处理，避免了重建和体素化预处理。这使得相较于先前方法实现了 120 倍的加速，加快了从单张图像进行材料属性估计的速度。