选择语言
< 返回主菜单

杜韬提出了一种基于高斯泼溅,可微仿真与拓扑优化推测固体(刚性/软体)的内部拓扑的方法TopoGaussian

2025-08-07

图片

Innovation Highlights

       杜韬—提出了一种基于高斯泼溅(Gaussian Splatting),可微仿真与拓扑优化推测固体(刚性/软体)的内部拓扑的方法TopoGaussian。与以往的工作不同,这一管线是完全基于粒子(particle)的,避免了传统方法涉及网络(mesh)结构的复杂转换、调优与纠错,提升了效率与健壮性。

Achievements Summary

利用三维语义对应实现的基于单个示例的类别内泛化操作

图片


图. 团队的方法与基于网格的基线方法的对比


团队提出了TopoGaussian——一种基于粒子的整体化流程,能够仅通过易于获取的照片和视频作为输入,推断不透明物体的内部结构。传统基于网格的方法需要繁琐且易出错的网格填充与修复过程,且通常只能输出粗糙的边界表面。团队的方法在输入部分,给定一个物体的视频与多角度图像,利用高斯泼溅恢复出表面点云。然后,团队将该点云均匀填充成一个体点云,并为其赋予三种灵活的拓扑表示附加物理参数。接着,利用基于粒子的可微仿真器对体积点云进行模拟,将模拟运动与参考图像/视频中的运动对比,并将运动差异的梯度反向传播至拓扑表示。最后基于该梯度执行优化,获得与输入运动相匹配的内部结构。

图片

图. 流程概览


团队自行搭建了一个数据集,并设计了若干仿真环境下地任务和四个真实世界的任务来验证管线的有效性。就处理速度和重建质量(主要基于3D打印考量),与两个基于网格的基线—PGSR和 Gaussian Surfels进行对比。结果显示,团队的方法分别比 PGSR 的两个超参设定快 5.26 倍和 4.81 倍,比 Gaussian Surfels 快 1.28 倍;后者在两个例子中甚至无法输出视觉上正确的结果。与此同时,团队的拓扑重建质量分别提升了 2.33 倍、2.5 倍和 2.55 倍。团队还将其中一个结果 3D 打印,以验证实际制造的可行性。进一步的多组合成测试、四项真实世界验证及一系列消融实验均表明,该管线能在多种输入条件下稳定工作。

TopoGaussian展现了其在三维视觉、软体机器人和制造应用中的潜力。本论文一作为上海期智研究院实习生、清华大学本科生熊晓宇,通讯作者为上海期智研究院PI、清华大学助理教授杜韬。共同作者为清华大学博士生胡昌宇,马萨诸塞大学阿默斯特分校博士生林春茹,麻省理工学院博士生马平川,以及马萨诸塞大学阿默斯特分校助理教授淦创。  


论文信息:

TopoGaussian: Inferring Internal Topology Structures from Visual Clues, Xiaoyu Xiong, Changyu Hu, Chunru Lin, Pingchuan Ma, Chuang Gan, Tao Du†, https://topo-gaussian.github.io/TopoGaussian/,ICLR 2025.

分享到