arXiv cs.AI· Qizhen Ying, Guangming Wang, Yangchen Pan, Victor Adrian Prisacariu, Brian Sheil, Yixiong Jing·· 1 天前AI 评分31
NEXUS：用神经能量场实现物理一致的接触丰富 3D 物体动力学
NEXUS: Neural Energy Fields for Physically Consistent Contact-Rich 3D Object Dynamics
AI 导读
NEXUS 是一个神经能量场框架，将每个物体表示为结构图并构建物体间与物体-环境接触图，借助类 Hamiltonian 的标量能量与耗散项推导受力，而非直接预测状态或加速度。
正文 · AI 翻译
摘要：基于物理的视频生成需要可控的 3D 物体动力学，使其在接触、形变和外部作用力下保持物理一致性。现有的基于轨迹的方法往往只对孤立的物理效应建模，难以在接触丰富的 3D 场景中组合保守与非保守动力学。我们提出 NEXUS，一个面向接触丰富 3D 物体动力学的神经能量场框架。NEXUS 将每个物体表示为结构图，并构建动态的物体-物体与物体-环境接触图。受 Hamiltonian Neural Networks 启发，NEXUS 通过标量能量项与耗散项来表述运动，而非直接预测状态或加速度。保守效应（包括重力和弹性形变）以可加的能量项组合，而阻尼和碰撞引起的能量损失等非保守效应则用学习得到的 Rayleigh 型耗散建模。力通过对能量函数和耗散函数求导得到，并用多子步半隐式积分器进行推演。在受控轨迹基准上，NEXUS 在不同力学性质和物理效应组合下，相比代表性的学习型与物理结构化动力学基线，提升了长时程精度。我们进一步表明，NEXUS 轨迹可为接触丰富的视频生成提供有效引导，在保持有竞争力的视觉质量的同时提升物理合理性。
| 评论： | 18 页，4 幅图，6 张表。预印本 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2606.15015 [cs.CV] |
| （或本版本使用 arXiv:2606.15015v3 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2606.15015 由 DataCite 颁发 arXiv DOI |
提交历史
来自：Qizhen Ying [查看邮箱]
[v1]
2026 年 6 月 12 日星期五 23:24:41 UTC（18,745 KB）
[v2]
2026 年 6 月 18 日星期四 06:53:24 UTC（18,745 KB）
[v3]
2026 年 11 月 11 日星期三 17:23:29 UTC（33,020 KB）
来源：arXiv cs.AI · arxiv.org