楚梦渝 青年学者论坛.pdf

1、p=exp(12 )p可微渲染表达基于新型表达的物理动态仿真及重建基于新型表达的物理动态仿真及重建Physics Simulation onNew Representations like 3DGS and NeRFPhysics Simulation onNew Representations like 3DGS and NeRF北京大学北京大学 楚梦渝楚梦渝3DGS and NeRF“前向”：仿真、编辑“前向”：仿真、编辑“反向”：重建、预测“反向”：重建、预测准确动态重建：基于神经表达的路径场重建,优化物理约束场景几何(NeuS)场景辐射场(SIREN+T)烟雾速度、涡量、路径等物理信息

2、(SIREN+T)SIGGRAPH 2024Yiming Wang,Siyu Tang,Mengyu Chu.“Physics-Informed Learning of Characteristic Trajectories for Smoke Reconstruction”,SIGGRAPH 2024准确动态重建：基于神经表达的路径场重建,优化物理约束提出基于路径的表达：x =,=(x,)联合优化短时序的物理约束和长时序的守恒约束短程PDE约束：长程守恒约束：重建物理准确的动态Yiming Wang,Siyu Tang,Mengyu Chu.“Physics-Informed Learnin

3、g of Characteristic Trajectories for Smoke Reconstruction”,SIGGRAPH 2024准确动态重建：支持动态重现和预测Ningxiao Tao et al.“FlowCapX:Physics-Grounded Flow Capture with Long-Term Consistency”,Under Review准确重建的物理信息，可以：复现场景运动使用重建的速度和第一帧数据，完整重现场景动态预测未来动态从任意时刻的重建开始仿真，预测未来时刻动态Scene Re-simulationScene PredictionOursOursHy

4、fluidHyfluidGT联合优化 数据&物理约束 是广泛存在的难题，典型例子：PINN常因梯度冲突难以高效收敛ConFIG,无冲突逆梯度方法(Conflict-Free Inverse Gradients),具备特性:高效优化物理：提出梯度投影策略，联合优化数据和物理约束 最终更新梯度 ConFIG与所有损失项的优化梯度均不冲突。每个特定损失的梯度投影均匀，确保所有损失项以相同速率优化。ConFIG步长可以根据损失项之间的冲突程度自适应调整。ConFIG 还介绍了更高效的基于动量的优化模式。ICLR2025 SpotlightQiang Liu,Mengyu Chu,Nils Thuere

5、y.“ConFIG:Towards Conflict-free Training for Physics Informed Neural Networks”,ICLR 2025p=exp(12 )p可微渲染表达3DGS and NeRF“前向”：高斯表达几何信息“前向”：高斯表达几何信息“反向”：准确动态重建“反向”：准确动态重建基于新型表达的物理动态仿真及重建“反向”：高效优化物理“反向”：高效优化物理“前向”：高斯表达动态信息“前向”：高斯表达动态信息高效动态仿真：RainyGS 孪生场景的实时降雨呈现高效动态仿真：RainyGS 孪生场景的实时降雨呈现+=Shallow WaterEqu

6、ations+=Image-Based Renderingscreen-space reflectionFresnel-Slick approximationno ray tracing required 高效动态仿真：RainyGS 孪生场景的实时降雨呈现高效动态仿真：RainyGS 孪生场景的实时降雨呈现高效动态仿真：孪生物体的实时造型设计Luo,Z.,Cui,Z.,Luo,S.,Chu,M.,&Li,M.(2025).VR-Doh:Hands-on 3D Modeling in Virtual Reality