arXiv cs.AI· Takuhiro Kaneko·· 11 小时前AI 评分31
通过假设空间推理实现碰撞结构重建（Structure from Collision）
Structure from Collision via Hypothesis-Space Reasoning
AI 导读
研究将 Structure from Collision（SfC）重构为假设空间推理，把隐藏空腔表示为显式结构假设，而非依赖隐式密度更新。方法先用仅前向的 MPM 模拟在假设空间做无梯度全局优化，再用可微 MPM 以拉格朗日粒子系统做梯度局部精修。在 SfC benchmark 上，该方法在隐藏结构重建与未来预测上优于基于密度的 SfC 基线，论文被 WACV 2027 接收。
正文 · AI 翻译
摘要：了解物体的隐藏内部结构，包括空腔的存在与位置，对于预测性仿真、机器人操作和无损检测至关重要。然而，此类空腔不会在静态可见表面上留下直接痕迹，因此碰撞引起的形变成为推断其存在的少数线索之一。Structure from Collision（SfC）通过从碰撞事件的多视角观测中恢复物体的隐藏内部结构来解决这一问题。SfC 具有挑战性，原因有二：隐藏空腔只能通过表面运动间接观测，而空洞对应材料的缺失，使得使用标准密度表示进行直接优化变得困难。基于密度的 SfC 基线继承了这两大难点。表面匹配梯度不能直接指示空腔位置，而密度梯度在空洞区域内部或附近可能较弱或缺乏信息量。因此，我们将 SfC 重新表述为假设空间推理，将隐藏空腔表示为显式结构假设，其变量编码可用的结构假设，而非依赖隐式密度更新。全局阶段使用仅前向的物质点法（MPM）仿真，在该假设空间上执行无梯度优化。随后，局部阶段通过基于梯度的优化，利用可微 MPM 仿真，将选定的假设细化为拉格朗日粒子系统。在 SfC 基准上，我们的方法在隐藏结构重建和未来预测方面优于基于密度的 SfC 基线。内部拓扑压力测试和鲁棒性分析刻画了其适用范围与局限性。项目页面见 此 https URL。
| 注释： | 已被 WACV 2027 接收。项目页面：此 https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；图形学（cs.GR）；机器学习（cs.LG）；机器人学（cs.RO） |
| 引用为： | arXiv:2611.07900 [cs.CV] |
| （或 arXiv:2611.07900v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.07900 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Takuhiro Kaneko [查看邮箱]
[v1]
2026年11月5日星期四 12:20:11 UTC（27,174 KB）
来源：arXiv cs.AI · arxiv.org