UniPhy：用于逆向物理仿真的统一构质模型学习
计算机视觉与模式识别
2025-05-23 v1
摘要
我们提出 UniPhy，一种通用潜在条件神经构质模型，可编码多样材料的物理属性。在推断阶段，UniPhy 允许进行“逆向仿真”，即通过可微分仿真优化场景特定潜在变量以匹配可用观测，从而推断材料属性。与现有方法将逆向仿真视为系统辨识不同，UniPhy 不依赖用户指定的材料类型信息。与以往面向实例特定网络的神经构质建模方法相比，跨材料的共享训练提升了估计的鲁棒性与准确性。我们使用覆盖多种几何形状与材料（弹性体、软质体、砂砾、流体——牛顿与非牛顿）的仿真轨迹进行训练。在推断时，给定具有未知材料属性的物体，UniPhy 可通过潜在优化匹配运动观测来推断材料属性，并进而允许在新情境下进行仿真。我们将 UniPhy 与现有的逆向仿真方法进行比较，结果表明，UniPhy 的推断结果在新情境下的再仿真更为准确。
引用
@article{arxiv.2505.16971,
title = {UniPhy: Learning a Unified Constitutive Model for Inverse Physics Simulation},
author = {Himangi Mittal and Peiye Zhuang and Hsin-Ying Lee and Shubham Tulsiani},
journal= {arXiv preprint arXiv:2505.16971},
year = {2025}
}
备注
CVPR 2025