论文页面 - PhysLDM：用于高保真可变形体仿真的潜在扩散

来源：https://huggingface.co/papers/2610.07609

摘要

PhysLDM 提出了一种用于高保真可变形体仿真的时空潜在扩散框架，利用整体式 VAE 和扩散对混沌动力学进行建模，并实现零样本泛化。

高保真可变形体的神经仿真是计算机图形学和物理 AI 中的一项基础性挑战。对高分辨率 3D 体积网格 (https://huggingface.co/papers?q=volumetric%20meshes)进行长时域预测十分困难：自回归方法容易产生误差累积，而在原始分辨率下直接进行多帧预测的计算成本又高得难以承受。这促使我们寻求一种紧凑的时空潜在表示，而这种表示在基于网格的体积物理仿真中尚未得到充分探索。与此同时，确定性回归与生成式扩散究竟哪一种更适合作为预测范式，仍不明确。为应对这些相互关联的挑战，我们提出 PhysLDM，一种用于一次性可变形体仿真的统一潜在扩散范式。其核心是整体式时空 VAE (https://huggingface.co/papers?q=spatiotemporal%20VAE)，能够避免标准时间压缩方法（例如视频 VAE）产生的“阶梯状”伪影，在米级场景中以高达 78 倍的词元压缩率实现约 2.48 毫米的重建精度。基于这一可靠的潜在空间，我们系统地比较了回归方法与扩散方法。实验揭示了一项关键的建模发现：复杂的可变形体动力学 (https://huggingface.co/papers?q=deformable%20dynamics)往往具有混沌性，在这种情况下，确定性回归倾向于产生不符合物理规律的平均结果，而扩散能够更好地建模其分布。因此，我们采用潜在扩散模型 (https://huggingface.co/papers?q=latent%20diffusion%20model)，有效地从混沌数据中学习，生成物理上合理的轨迹。仅在 Objaverse 规模的数据集上进行纯运动学训练，单个 PhysLDM 即可零样本泛化到未见过的分布外（OOD）数据集。其可微性还支持高效求解逆问题 (https://huggingface.co/papers?q=inverse%20problems)和进行高阶设计优化。据我们所知，PhysLDM 是首个面向体积可变形体动力学 (https://huggingface.co/papers?q=deformable%20dynamics)的高保真时空自编码器和潜在扩散范式，为神经仿真提供了一种可扩展且稳健的方法。项目页面：https://yucrazing.github.io/physldm/

查看 arXiv 页面 (https://arxiv.org/abs/2610.07609)查看 PDF (https://arxiv.org/pdf/2610.07609)项目页面 (https://yucrazing.github.io/physldm/)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2610.07609)

在你的智能体中获取这篇论文：

hf papers read 2610\.07609

还没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有链接到此论文的模型

在模型的 README.md 中引用 arxiv.org/abs/2610.07609，即可从本页面链接到该模型。

引用此论文的数据集0

没有链接到此论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2610.07609，即可从本页面链接到该数据集。

引用此论文的 Space0

没有链接到此论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2610.07609，即可从本页面链接到该 Space。

收录此论文的合集0

没有收录此论文的合集

将此论文添加到合集 (https://huggingface.co/new-collection)，即可从本页面链接到该合集。