SNAP3D: 物理引导的单张图像三维部件装配生成
摘要
SNAP3D引入了一个物理引导的框架,用于改进从单张图像的部件感知3D生成,确保稳定且物理有效的装配,通过仿真反馈解决部件间穿透等问题。
查看缓存全文
缓存时间: 2026/09/14 02:33
论文页面 - SNAP3D:基于物理约束的单图像三维部件组装生成
来源:https://huggingface.co/papers/2609.13146
摘要
一种物理引导框架通过解决部件间穿透问题、恢复接触图,并利用仿真反馈优化参数化连接器,从而提升部件感知三维生成的效果,确保生成稳定且物理有效的装配体。
部件感知三维资产生成支持编辑、关节化、仿真和制造等应用,但现有方法虽能生成视觉上完整的单个部件,却无法确保它们构成有效的物理装配。因此,生成的相邻部件可能发生相互穿透、缺乏有效连接,或在重力作用下坍塌。我们提出一种物理引导框架,用于改进单图像部件感知三维生成(https://huggingface.co/papers?q=part-aware%203D%20generation),使其具备物理兼容的几何结构和稳定连接。本方法解决部件间穿透(https://huggingface.co/papers?q=inter-part%20penetration)问题,恢复相邻部件间的接触图(https://huggingface.co/papers?q=contact%20graph),并在其接触表面引入参数化连接器(https://huggingface.co/papers?q=parameterized%20connectors)。利用物理仿真(https://huggingface.co/papers?q=physical%20simulation)的反馈,我们在保持生成几何结构的同时,优化连接器的位置、方向和尺寸,以提高装配稳定性(https://huggingface.co/papers?q=assembly%20stability)。我们进一步提出基于物理(https://huggingface.co/papers?q=physics-based%20evaluation)的评估协议,通过直接测试重力下的装配有效性和稳定性,补充传统几何指标。与多种部件感知三维生成器的对比实验表明,本方法在保持几何质量的同时,显著提升了物理可实现性和稳定性。我们还通过三维打印和实物组装验证了生成部件的有效性。
查看 arXiv 页面 (https://arxiv.org/abs/2609.13146)查看 PDF (https://arxiv.org/pdf/2609.13146)项目页面 (https://lucytuan.github.io/SNAP3D/)GitHub1 (https://github.com/LucyTuan/SNAP3D)添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.13146)
通过您的代理获取此论文:
hf papers read 2609\.13146
尚未安装最新 CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash
引用本文的模型0
没有模型链接到此论文
在模型 README.md 中引用 arxiv.org/abs/2609.13146 以从本页链接。
引用本文的数据集0
没有数据集链接到此论文
在数据集 README.md 中引用 arxiv.org/abs/2609.13146 以从本页链接。
引用本文的 Space 0
没有 Space 链接到此论文
在 Space README.md 中引用 arxiv.org/abs/2609.13146 以从本页链接。
包含本文的收藏夹0
没有收藏夹包含此论文
将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以从本页链接。
相似文章
PhysForge:为交互式虚拟世界生成具备物理基础的 3D 资产
PhysForge 是一个两阶段框架,能够生成具备物理基础和运动学参数的交互式 3D 资产,解决了虚拟世界中静态几何模型带来的瓶颈问题。
Sat3DGen:基于单张卫星图像的全面街景级3D场景生成
Sat3DGen采用几何优先的方法,从单张卫星图像生成街景级3D场景,通过新颖的约束条件和训练策略,提高了几何精度和照片级真实感。该方法在VIGOR-OOD基准测试上相比先前工作有显著改进。
SNAP-FM: 物理约束生成建模中的稀疏非线性加速投影
提出SNAP-FM方法,利用稀疏GPU非线性优化加速物理约束生成建模中的约束投影,在保持精确物理约束满足的同时实现更快的推理。
通过对话设计3D打印部件
nurb 使用户能够通过与AI的自然语言对话设计3D打印部件,无需传统CAD软件即可处理设计、检查和修订。
StampFormer: 一种物理引导的材料-几何耦合多模态模型,用于快速预测板料冲压中的物理场
StampFormer 是一种物理引导的深度学习框架,融合几何和材料属性,在不到一秒内预测板料冲压的有限元分析结果,相对误差低于8.5%,实现了高保真度。