AI 摘要 · 由英文经 AI 翻译

LaGSplat: Inferring Physics-Governed Interactive Simulation from Monocular Video Using Latent Lagrangian Gaussian Splatting

Louen Pottier

arXiv:2608.16324v1cs.CVcs.LG

TL;DR

从视频中学习可交互的物理动力学,需要在没有实测广义坐标的情况下,将视觉重建与力学相结合。LaGSplat 通过共享的低维潜状态,耦合学习得到的耗散拉格朗日量与基于移动点的 Gaussian Splatting 解码器。在七个真实系统中,利用激发了系统固有模态的视频记录,其恢复的固有频率误差在百分之几以内。

  • 问题

    现有研究的缺口在于直接从视频学习可交互的物理动力学,而非依赖实测广义坐标或仿真数据。

    出处:§1 · p. 2
  • 方法

    LaGSplat 通过一个无监督学习得到的低维潜状态,耦合学习得到的耗散拉格朗日量与基于移动点的 Gaussian Splatting 解码器。

    出处:§1 · p. 2
  • 结果

    七个真实系统的实验表明,在激发了系统固有模态的视频记录上,恢复的固有频率与视频观测值相比,误差在百分之几以内。

    出处:§6 · p. 19
  • 结论与局限

    用户无需重新训练,即可向重建物体施加此前未见的力,但力的幅值只能确定到一个全局能量缩放因子。

    出处:§6 · p. 19

    本文构建的动力学模型假设系统具有少量广义坐标、平滑的运动学关系,以及自治或输入已测量的耗散运动,不涵盖接触、碰撞、拓扑变化、塑性和迟滞。

    出处:§5 · p. 17

Abstract

from arXiv · show

We present LaGSplat (Latent Lagrangian Gaussian Splatting), a framework that infers interactive, physics-governed dynamics from one or a few monocular videos. At inference it lets a user push on the filmed object, rigid or deformable, with an external force that was never measured, annotated, or seen during training. This is possible because a low-dimensional latent state $\mathbf{q} \in \mathbb{R}^d$ plays two roles at once: it is the generalised coordinate of a learned dissipative Lagrangian and the conditioning variable of a Gaussian Splatting decoder. The inductive bias of this decoder, whose primitives are explicit points $μ_i(\mathbf{q})$ that move with the object, is what lets a force $f$ applied in the image pull back into a latent generalised force $J(\mathbf{q})^\top f$ and enter the equations of motion, which pixel-space (CNN) or neural-field (NeRF) decoders cannot do. We validate LaGSplat on test cases of increasing difficulty, from rigid to deformable and from autonomous to forced real systems, combining monocular video and sensor measurements. We further demonstrate interactive use: forces of arbitrary magnitude and direction can be applied to the reconstructed object at any time, its response rendered in real time, in 2D or 3D. Assuming a dissipative Euler-Lagrange equation over a few generalised coordinates trades generality for a bounded, plausible response to unseen forces, where an unconstrained predictor diverges.

1 引言

LaGSplat 从单目视频中学习物理模型和高斯场景表示,使系统能在此前未测量的外力作用下实时交互。共享的潜在状态将学得的拉格朗日动力学与随物体运动的显式点连接起来。

1 引言

  • 已有的基于视频的方法采用无约束动力学 [62]、预设方程 [7] [35] [69]、固定像素 [21] [35],或不进行重建 [7]。动态重建 [31] [75] 只能回放录制的运动,无法交互;物理系统学习 [11] [21] [48] 则需要观测到的广义坐标轨迹。LaGSplat 从所拍摄系统自身的视频中辨识其物理规律,并将力学定律与显式运动图元相结合。出处:§1 · p. 2
  • 无需状态标注或外部模拟器,潜在坐标即可在光度重建与欧拉–拉格朗日残差的共同约束下形成。编码器将视频帧映射为潜在状态,潜在拉格朗日神经网络对学得的方程进行积分,高斯解码器再将所得状态渲染成图像。出处:§1 · p. 2
  • 显式运动图元使图像中施加的力能够驱动系统:其雅可比矩阵将力 f 映射为潜在广义力 J(q)^T f,无需重新训练。这一映射取决于学得的运动学关系,而非载荷,因此仅凭无外力驱动的训练视频即可确定,无需施力示例。出处:§1 · p. 2
  • 受力响应仅限于训练中访问过的潜在状态,其全局幅值尺度尚未确定,也无法激发视频中未出现的运动模态。若动力学辨识充分且图元运动正确,响应的方向与形态就是正确的;一次力–位移测量即可标定幅值,否则需手动设定尺度。未观测到的模态没有对应的潜在坐标,因而表现为无限刚性。出处:§1 · p. 2
  • LaGSplat 通过同一个潜在状态,将学得的耗散拉格朗日模型与 Gaussian Splatting 解码器耦合,实现从单目视频到实时交互仿真。该潜在状态既是广义坐标,也是解码器的条件变量。支持 2D 渲染,也可在深度或多视角监督下渲染新的 3D 视角。出处:§1 · pp. 2–3
  • 与不含力学先验的运动预测器 不同,LaGSplat 能收敛至训练中未出现的稳定平衡态,其目标是仅有少量广义坐标的系统。验证对象包括单摆、振荡刚体、悬挂袋体以及 Krauss 等人的气动执行器 [35],涵盖刚体与可变形系统,以及自主与受迫系统。出处:§1 · p. 3

2 相关工作

本节区分动态视图合成、学习解析力学、生成物理合理的视频,以及从被摄系统自身视频中学习仿真这四类工作。LaGSplat 采用最后一种设定,将潜在耗散力学与运动高斯基元结合,通过这些基元将交互力引入动力学。

2.1 动态新视角合成

  • 以潜在状态为条件的高斯基元提供运动物质点、恒定的位置雅可比矩阵和实时光栅化,使交互力能以闭式形式引入动力学。主流 NeRF 形式 [53] [56] [61] 缺少物质点,但从物体向外的形变 [22]、粒子辐射场 [44] 和 PAC-NeRF [40] 提供了可用的替代方案。LaGSplat 将 Yang 等人 [75] 的高维高斯中的时间替换为潜在坐标,并用 gsplat [76] 光栅化;与规范空间扭曲 不同,这保留了仿射位置映射。FreeTimeGS [70] 同样倾向于在扩展空间中直接放置基元,以表示运动丰富的内容。出处:§2.1 · p. 3

2.2 学习解析力学

  • 学习得到的潜在力学已支持基于虚功的力拉回,但现有模型通过测量仪器获取状态和力,而非通过用于视频渲染的物质点。L-LNN 通过编码器的雅可比矩阵传递力,Friedl 等人 [14] [15] 则使用解码器的雅可比矩阵;LaGSplat 沿用这种传递方式,但不依赖仪器测量。相关训练难点包括仅凭位置的可辨识性 [5]、非凸势能 [30]、病态质量矩阵 [23, 34],以及单步导数匹配无法提供足够的长期稳定性 [24] [27] [36]。出处:§2.2 · p. 5

2.3 生成物理合理的视频

  • 采用预设物理规律的视频生成模型可以支持干预,但其控制定律并非从被摄物体的观测运动中学得。VR-GS [29] 支持持续的实时交互,但使用手动设定的材料参数和静态多视角扫描。PhysDreamer 在预设的 MPM 物理模型下,根据扩散模型生成的视频校准刚度,随后响应初始冲量而非持续力,每渲染一秒视频约需一分钟仿真。出处:§2.3 · p. 5
  • Force Prompting [18] 不建模力学,而是学习以力为条件的视频生成;它需要力与视频的配对训练数据,且必须在生成前固定力,无法进行因果交互。其生成过程既非实时,也不具备逐帧因果性。相比之下,LaGSplat 接受此前未见、可在任意时刻改变的力,并通过虚功将力经由物质点传递到辨识出的动力学中。出处:§2.3 · pp. 5–6
  • NeuROK [17] 同样采用潜在 Euler–Lagrange 动力学,并基于虚功实现交互施力,但它学习的是可迁移的网格力学,而非从系统自身的视频中辨识该系统。其非线性网格解码器在用户选定的区域和时间窗口内提供拉回度量 G(q) = J^T J 和力 Q = J^T F,这与 LaGSplat 的仿射高斯解码器不同。LaWM [73] 则从仿真器渲染图像中学习保守的潜在拉格朗日函数,并在有辅助信号时加以利用,但其轨迹推演始终不受外力驱动。出处:§2.3 · p. 6

2.4 从视频监督中学习与仿真

  • 视频监督仿真能够辨识被摄系统,并外推至录像之外,但无结构的演化规则既不提供力学上的力输入,也不保证物理合理性。Chen 等人 [8] 发现紧凑状态,但通过重新生成像素进行预测;Zhu 等人 [81] 先施加 Lipschitz 滤波器获得连续潜在状态,再拟合无结构约束的神经 ODE。ParticleGS [62]、EvoGS [3]、GaussianPrediction 和 NVFi [39] 同样缺少学习得到的能量、惯性与耗散结构,因而无法提供外部作用力输入接口。出处:§2.4 · p. 6
  • 已有基于视频的结构化方法对力学形式或施力方式有所限制,而 LaGSplat 先固定由重建得到的潜在坐标图,再学习具有状态相关惯性的耗散定律。Pixel-HNN [21] 是无外力的保守系统,采用固定像素解码器;Castañeda Garcia 等人 [7] 拟合已知的标量方程,不进行重建;Krauss 等人 [35] 学习仅由实测压力通道驱动的线性振子,其注意力质心并非生成式物质点。LaGSplat 沿用 Zhu 等人 [81] 的 Lipschitz 滤波器,并以 M(q) 适应坐标图的缩放与曲率;在两节气动机器人上,四个潜在坐标的表现优于十维振子链。出处:§2.4 · pp. 6–7
  • LaGSplat 将视频监督的潜在耗散力学、显式运动高斯基元与交互力结合,面向被摄系统本身,而非零样本迁移。基元各轴承载由运动方程支配的同一状态,将施力点与数值积分所用的坐标耦合起来。Wang 等人 [69] 也支持施加外力,但其方法基于预定义位姿拟合预设的刚体动力学,而非为刚体和可变形物体发现潜在状态。出处:§2.4 · p. 7

3 方法

LaGSplat 先通过高斯溅射自编码器学习连续的潜空间坐标图,再将其冻结,拟合耗散拉格朗日动力学。解码器的运动学将未见过的用户施力映射为潜空间广义力,仅需一次标定测量即可确定物理力尺度。

3.1 问题定义与概述

  • 无监督学习的潜状态同时充当广义坐标和渲染条件;先训练外观,再在冻结的坐标图上拟合动力学。阶段 1 联合拟合编码器与高斯溅射解码器;阶段 2 冻结二者,对视频片段编码一次,再拟合潜空间拉格朗日函数与耗散项。出处:§3.1 · p. 7

3.2 阶段 1:自编码器与潜空间坐标图

  • 受 Lipschitz 约束的编码器滤波器保持时间连续性,白化与由解码器导出的可见性度量则用于处理潜空间各方向可观测性不均的问题。连续性正则项沿用 Zhu et al. [81];潜空间维度由已知物理自由度确定,或取能实现近乎完美重建的最小维度。冻结的编码状态经白化后具有零均值和单位协方差;沿轨迹平均的图像度量拉回用于加权动力学拟合及所报告的误差。出处:§3.2 · pp. 7–8
  • 以状态为条件的高斯基元对重复访问的状态仅存储一次,并可渲染未见过的初始条件或施力下的轨迹。条件化通过仿射变换移动中心,使条件协方差不随状态变化,并抑制潜空间中距离较远的基元;光度训练包含连续性和椭球长宽比惩罚项。直接输出 2D 图像使用单目监督,而 3D 新视角渲染需要多视角监督,实验中通过 SHARP [51] 合成这些监督数据。出处:§3.2 · p. 8

3.3 阶段 2:潜空间拉格朗日动力学

  • 学习得到的正定惯性与阻尼配合凸或不变凸势能,既能适应弯曲的潜空间坐标图和非凸等能线,又能保持唯一平衡点。拉格朗日函数分解为动能与势能;学习得到的质量吸收坐标图的几何特性,另一种无参数的解码器雅可比方案则假设可见惯性均匀分布,所报告的结果均采用学习得到的质量。输入凸神经网络 [2] 用于处理凸势阱;将其与学习得到的微分同胚复合可构造不变凸势能 [65],而多个势阱则需要局部凸变体 [30]。出处:§3.3 · p. 9
  • 严格为正的阻尼下界保证自由响应有界且收敛,凹的腔室体积映射则保证非负气压下存在唯一稳定平衡点。这些稳定性在训练前即已成立;自由动力学收敛至势能最低点,持续加载时则收敛至受载平衡点。实测腔室压力通过潜空间腔室体积映射的导数,以广义力形式进入方程。出处:§3.3 · p. 9
  • 动力学训练最小化可见性加权的单步预测误差,但模型选择采用多步滚动预测误差,以弥补教师强制对长期预测的盲区。通过可微的 velocity-Verlet 步预测下一编码状态;解码器度量加权无需光栅化即可近似图像误差。各向同性下界将加权比限制在 1/ρ,防止几乎不可见且可能具有刚性的方向不受约束。出处:§3.3 · p. 9

3.4 交互与推理

  • 高斯中心的雅可比矩阵将未见过的用户施力映射为潜空间广义力,接触力在邻域内混合,并通过一次测量标定物理力尺度。每个基元的仿射运动学提供恒定雅可比矩阵,使力的拉回复杂度为 O(nd),推理时无需对网络求导。视频决定响应的方向与形态,但全局能量尺度存在不确定性,因此需要一次已知力及其响应的测量。出处:§3.4 · p. 10
  • 在 16 GB GPU 上,动力学以 30 或 60 Hz 运行,渲染速度超过 80 fps,支持通过施力改变轨迹及编辑物理属性的交互。用一帧或两帧初始化状态与速度,单帧时假设初速度为零;辛积分限制长时间滚动预测中的能量漂移 [9]。渲染独立于动力学运行,缩放 D、T 或 V 可分别修改阻尼、惯性或有效势能。出处:§3.4 · p. 10

4 实验

实验评估 LaGSplat 的固有频率恢复、软体机器人预测精度、耗散长时运动,以及对外加力的交互响应。在没有力真值的情况下,交互测试考察软体机器人的形变,以及由学习到的高斯基元运动学支配、随受力方向变化的 3D 摇摆器响应。

4.1 实验方案

  • 实验在冻结的光度潜在坐标图上,为 d = 1–4 的真实系统拟合动力学,不使用状态、力或力矩标注。案例涵盖刚性振子、悬挂袋和压力驱动的软体机器人 [35];非刚性系统的维度由经验确定,且仅摇摆器使用多视角 3D 监督。不重新锚定的滚动预测采用频率误差、可见性加权的潜在状态 NRMSE,以及相对于自编码器误差下限的图像误差进行评估;潜在状态误差与图像误差均在两个固有周期内取平均。出处:§4.1 · pp. 10–11

4.2 各测试案例的结果

  • 除单节机器人外,所有系统的固有频率误差均为 1–6%;单节机器人的固有模态未被激发,误差达 31.4%。微小的频率和阻尼误差仍会累积为相位漂移:悬挂袋的潜在状态误差从两个周期内的 0.150 升至七个周期内的 0.396。双摆在两个周期内的潜在状态误差为 0.947,整段视频内为 1.544,揭示了仅凭 211 帧训练图像辨识混沌运动的局限。出处:Table 2 · p. 11, §4.2 · pp. 11–12

4.3 拉格朗日先验的作用

  • GaussianPrediction 在 1000 秒后仍保留初始振幅的 53%,而 LaGSplat 在数十秒内便达到由其结构保证的稳定平衡。不过,GaussianPrediction 的留出集 PSNR 领先 2.0 dB,频率误差为 0.9%,而 LaGSplat 为 1.2%;其长时预测画面保持视觉连贯,潜在状态也未超出观测范围。两者均低估了拍摄时段内的耗散系数:LaGSplat 低估 29%,GaussianPrediction 低估 60%。出处:Table 3 · p. 12, §4.3 · p. 12

4.4 真实受驱动软体机器人

  • 仅 LaGSplat 支持在图像任意位置施力;Osc. + ABCD 允许在 d/2 个位置施力,而 Koopman 基线无法接收机械力。反卷积解码器不提供施力位置,且只有振子动力学能通过力学机制将潜在力转换为加速度;因此,另一个振子基线仅能在潜在坐标中接收力。机器人对比沿用已发布的 32 × 32、60 fps、按连续时段划分的 80/20 方案,通过学得的构型相关驱动模型使用实测压力,并采用已发表的基线误差,评估范围为 30 步和 50 条验证轨迹。出处:§4.4 · pp. 13–14
  • 凭借 0.769 × 10^-3 的像素 MSE,LaGSplat 在 0.5 秒基准预测时域内成为精度最高的双节软体机器人预测模型。该结果为五个随机种子的中位数,使用 d = 4,而基线使用 d = 10;相较 Osc. + ABCD、Osc. + deconv、Koopman + deconv 和 Koopman + ABCD,精度分别提升 8.5、30、7.4 和 1.28 倍。最后一项优势较小;在激励较弱的单节机器人上,LaGSplat 排名垫底,惯性也难以辨识。出处:Table 4 · p. 14, §4.4 · p. 14
  • 在双节机器人上,解码器诱导惯性在 0.5 秒内的误差为 1.33 × 10^-3,高于学习惯性的 0.769 × 10^-3,但仍优于四个基线中的三个。这种无参数惯性由解码器雅可比矩阵推导而来,假设密度均匀;对比固定自编码器、潜在坐标图、目标函数及各项设置,仅重新训练其他项。其频率误差为 6.9%,学习惯性为 5.7%;常量惯性在该测试案例中的误差则为 4.8 × 10^-3。出处:§4.4 · p. 14

4.5 施加外力

  • 无需重新训练,未见过的图像空间力即可通过 J(q)^T f 进入学得的动力学,与压力驱动共同作用,且潜在坐标变换不改变渲染出的响应。力的映射利用视频训练中已确定的运动学,对点击位置下各基元的雅可比贡献求和。由于缺少力真值和绝对能量标定,实验考察平衡响应的比值、符号及叠加关系,这些量不受未辨识能量尺度的影响。出处:§4.5 · p. 15
  • 8 × 10^-8 的相对误差支持摇摆体上的力叠加关系,同时还观察到力臂缩放效应、符号反转和可忽略的背景响应。随力臂增大,等大的力产生的潜在状态偏移依次为 -0.50、-0.76 和 -0.84,跨过旋转中心后变为 +1.22;无需分割,点击背景产生的绝对偏移即 ≤ 0.007。在可变形机器人上,两节均随向左或向右的力发生偏转,仅对第一节加载也会使第二节弯曲,但图中无法区分不同解释。出处:§4.5 · p. 15
  • 用户对选定的高斯基元施力,因此节内与节间的力响应完全源于学得的运动学,无需显式的分节信息。量化形变误差需要记录系统对已知点力的响应,而现有系统均未提供此类数据。出处:§4.5 · p. 16
  • Krauss 等人 [35] 的双节软体机器人在横向力下弯曲,在轴向力下伸长或缩短,基本保持左右对称。在连接处和末端施加方向相反的力会使第二节弯曲,而第一节的偏转约为仅在连接处施力时的四分之一,且方向相反。由于重力的存在,不能将该响应解释为静力平衡。出处:Figure 9 · p. 16, §4.5 · p. 16

4.5 施加力

  • 用 SHARP 合成视图监督 3D 解码器;点击时发射一条射线,在首个相交的高斯基元处施加世界坐标系中的力。监督使用的是升维重建帧的渲染视图,而非真实的多相机采集数据。出处:§4.5 · p. 16
  • 施加正交 3D 力时,潜在状态变化小于 3 × 10^-9;而施加等幅竖直力时,平衡状态为 q = +1.52。对于单自由度摇摆器,正交力产生 J^T f = -3.1 × 10^-17,无论力的大小如何,该值都近似为零。出处:§4.5 · pp. 16–17, Figure 10 · p. 17

5 讨论

LaGSplat 的讨论梳理了动力学假设、视频覆盖、力验证和建模选择的局限,并提出向更丰富的物理机制、仿真器耦合、控制和跨系统学习扩展的方向。

局限性

  • 拉格朗日先验将 LaGSplat 限定于少量坐标、平滑运动学,以及自主或由实测输入驱动的耗散动力学。当前采用的动力学不涵盖接触、碰撞、拓扑变化、塑性和滞后,而无结构约束的运动预测器可以覆盖这些行为。其他低维演化方程只有能接收广义力 J^T f,才能保留交互能力;接触和塑性均有适用的表述,但尚未实现。出处:§5 · p. 17

可观测性、覆盖与激励设计

  • 从视频中学习要求状态可观测且得到充分激励;潜在状态空间越大,所需录制范围也越广。平面外位移需要真实的多视角观测,未被观测的运动仍无法获得:摇摆装置受到大力推动也不会倾倒,因为视频从未激发过倾倒运动。高斯图元必须覆盖每个可达状态才能渲染,而视频帧必须密集采样该区域才能辨识动力学;设计具有持续激励性的输入或释放过程可改善覆盖。出处:§5 · pp. 17–18

局限性与实测力

  • 施力机制尚缺乏实测力验证,而一次测力戳碰即可确定整个模型的能量尺度 kappa。现有测试检验的是不随 kappa 改变的雅可比矩阵性质;PokeFlex [54] 提供了交互记录,但只能检验准静态平衡,而非受迫动力学。验证需要固定的单目视角、少量自由度,以及力和接触点记录;遮罩手部并使用传感手套 ,可获得人手操控录像。出处:§5 · pp. 17–18

密度假设与材质分离

  • 均匀密度图元可能误估惯性,并错误地为移动阴影赋予质量和受力响应。惯性误差仅在一个系统上测量过,且误差较小;材料密度差异显著的物体可能表现不同。借鉴 Le 等 [37] 和 Lin 等 [45],基于外观预测材料可确定图元的相对密度,但无法确定 kappa;物体与阴影分割则可将阴影同时排除在质量和力的计算之外。出处:§5 · pp. 17–19

训练与潜在维度

  • LaGSplat 尚未比较顺序拟合与联合训练,潜在维度也由人工选择,可能估计过高。Friedl 等 [14] 报告,联合训练在解码后的预测表现上具有一个数量级的优势;而 Zhu 等 [81] 使用连续潜在表示和冻结编码器,优于标准联合训练组合。两者编码器不同,且分别基于仿真状态和视频,因此仍无法判定 LaGSplat 应采用哪种方案。维度依据物理知识或重建误差曲线的拐点选择,但 Chen 等 [8] 报告,潜在维度尚未达到最小状态维度时,重建表现就已退化。出处:§5 · p. 18

接触、碰撞、塑性与滞后

  • 接触和碰撞需要兼容的碰撞几何,而塑性和滞后需要依赖历史的状态,超出了当前逐帧编码器的能力。不同于当前的连续状态施力笔刷,可微潜在接触模型 [80] 可通过 J^T 传递图元冲量;Wang 等 [69] 提供了高斯碰撞几何,但如何保留 LaGSplat 的各向异性协方差仍未解决。塑性建模可参照 Masi 和 Stefanou 加入内部变量、自由能和耗散,但会增加维度,并需要多帧窗口;当微观内部变量不可观测时,以响应为监督信号的循环模型 提供了一条路径。出处:§5 · p. 18

仿真器耦合、控制与多系统

  • 提出的扩展包括仿真器耦合、基于模型的控制、独立多物体动力学,以及铰接或具有显式约束的系统。仿真器反作用力可通过 J^T 输入,图元则提供碰撞几何,无需重新训练;辨识出的质量、耗散、势能和驱动机制可支持无需关节编码器的软体机器人控制 [34] [48]。独立物体应具有互不耦合的坐标块,并通过推动一个物体不影响其他物体的测试;但当前损失并不鼓励这种结构,且各物体状态空间的乘积会提高覆盖要求。拉格朗日图网络 [6] 可支持铰接系统,而为适应未知的约束拓扑,当前未强制施加显式约束 [13]。出处:§5 · pp. 18–19

跨系统先验与共享坐标图

  • 跨系统的运动学和动力学先验可减少录制需求,但要求潜在坐标在不同系统中具有一致的含义。借鉴 [17] [73] 的思路,运动学、质量、势能和耗散先验可缩短辨识所需的视频;坐标不变的力传递允许使用共享空间,但本身并不对齐坐标含义。NeuROK [17] 学习共享编码器,而冻结的 DINOv2 [55] 或 JEPA 式视频编码器 [71] 可免去逐场景编码器训练,前提是其特征能分辨承载运动的少数自由度。出处:§5 · p. 18

6 结论

LaGSplat 直接从视频中学习低维物理状态,通过解码器的雅可比矩阵施加未见过的力,无需重新训练。其拉格朗日先验限制了适用范围,但能产生有界且物理上合理的响应。

6 结论

  • 单一低维状态取代了时间参数化,既充当耗散拉格朗日系统的坐标,也作为显式运动点解码器的条件变量。该状态不接受直接监督,训练信号仅来自视频。出处:§6 · p. 19
  • 在 Krauss 等人 [35] 的两段式软体连续体机器人上,LaGSplat 仅用四个坐标便优于全部四种对比方法,而已发表的基线使用十个坐标。评估采用原作者的数据、划分和评估流程。即使采用由解码器运动学推导、不含自由参数的惯性项,仍优于三个对比模型。出处:§6 · p. 19
  • 在涵盖一至四个自由度的七个真实系统中,只要录像中的运动激发了相应固有频率,学得的频率与视频观测值的相对误差均在百分之几以内。出处:§6 · p. 19
  • 一千秒后,GaussianPrediction 仍在环绕运动,而 LaGSplat 已收敛至训练中从未出现过的稳定平衡态。GaussianPrediction 是一种不具备力学结构的运动预测模型。出处:§6 · p. 19
  • 尽管训练期间未施加任何力,未见过的力仍可通过解码器的雅可比矩阵传入学得的运动方程,无需重新训练。力可作用于图像中的任意位置;若有多视角监督,也可作用于重建体积内。运动学决定力的方向与形态,但其幅值仍只能确定到一个全局能量尺度因子。出处:§6 · p. 19
  • 拉格朗日先验缩小了可支持的系统范围,换来对未见过的力的有界且物理上合理的响应。出处:§6 · p. 19

A 推导

本附录推导学习得到的运动学如何变换力与惯性,以及有界响应论述所依据的能量平衡。

A.1

A.2

A 推导

A.1 从学得的运动学推导力与惯性

学得的基元运动学同时决定广义力和动能。力的传递保持虚功不变,且不依赖于潜空间坐标图;存在性加权则使惯性随构型变化。

力的传递

  • 施加的力通过学得的运动学雅可比矩阵拉回为唯一的潜空间广义力,保持虚功不变,并满足模型的能量平衡。阶段 1 为每个基元学习仿射位置映射,类似于分析力学中的质点位置 。作用于基元 i 的力 f 转化为 J_i^T f。出处:§A.1 · p. 19

潜空间坐标图不变性

  • 尽管潜坐标本身没有内在的物理意义,模型对用户施力的响应在潜坐标的光滑变换下保持不变。在 q = ψ(q̃) 下,雅可比矩阵变为 J_i Ψ,广义力变换为 Ψ^T f_lat,从而保持其在变换后的虚位移上所做的功不变。出处:§A.1 · p. 19

同一映射也决定惯性

  • 以归一化的潜空间不透明度对等质量基元加权,会产生依赖于构型的质量矩阵和科里奥利项,即使运动学雅可比矩阵为常量。基元速度满足 μ̇_i = J_i q̇,因此可由学得的位置映射推导动能。质量矩阵对状态的依赖完全来自存在性权重。出处:§A.1 · pp. 19–20

A.2 有界受迫响应

在惯性正定、势能具有强制性且阻尼严格为正的条件下,LaGSplat 的无外力响应和恒力响应均保持有界,并趋于平衡态。这些连续时间保证并不确保远离训练数据时的定量准确性。

假设条件

  • 这些保证要求惯性正定、通过二次下界确保势能具有强制性,以及阻尼具有一致为正的下界。若不具备强制性,能量下降时其次水平集仍可能无界,从而允许位置漂移。出处:§A.2 · p. 20

无外力推演

  • 所有无外力轨迹均保持有界,并收敛至势能的唯一极小点,从而不依赖训练即可排除持续振荡。非静止状态下能量持续下降,LaSalle 不变性原理 保证速度趋于零,位置趋于势能驻点。带二次下界的 ICNN 势能的强凸性与不变凸构造均保证极小点唯一。出处:§A.2 · p. 20

持续施力

  • 恒定广义力产生有界响应,并收敛至满足 ∂V/∂q = f 的受载平衡态。受载能量 E_f = T + V − f^T q 抵消了注入功率;势能的二次下界支配线性载荷项,从而保持强制性。出处:§A.2 · p. 20

适用范围

  • 这些保证适用于连续时间;辛积分可限制长时离散推演的漂移,但有界性并不意味着远离训练数据时仍具备定量准确性。出处:§A.2 · p. 20

B 同等预算下的形变场解码器

在基元数量和训练条件相同的情况下,形变场解码器使用更多参数,但对拟合帧的重建精度低于 LaGSplat。其基元速度更不平滑,表明视觉上相似的渲染结果未必能为力传递和惯性提供有意义的导数。

解码器参数化

  • LaGSplat 在 (n+d)D 空间中对基元进行条件化,得到仿射位置映射和恒定的雅可比矩阵;另一方案则遵循 Wu et al. ,通过网络对 n-D 基元进行形变。形变场这一类模型涵盖 LaGSplat 的参数化形式,也能表示弯曲的基元轨迹,但这种额外自由度在本实验中并未改善图像质量。出处:B Deformation-Field Decoder at Equal… · p. 20

物质跟踪

  • 物质跟踪无需监督:LaGSplat 的轨迹约束促使基元跟随物质运动,而形变场允许基元相互替代,且不受渲染损失惩罚。LaGSplat 的可见基元沿 q 空间中的固定直线平移,潜在门控使其淡入淡出。形变场中基元的中心和尺度可自由变化,允许一个基元缩小至不足一个像素,同时另一个基元在原处增大。出处:B Deformation-Field Decoder at Equal… · p. 20

重建

  • 形变场在拟合帧上的 0.0157 L1 和 0.076 SSIM 项均高于 LaGSplat 的 0.0142 L1 和 0.063 SSIM 项。两者均使用 15,000 个基元,以及完全相同的损失、正则项、优化器和训练调度;形变场的参数量为 9.8M,LaGSplat 则为 195k。此评估衡量的是模型容量的利用情况,而非泛化能力。出处:B Deformation-Field Decoder at Equal… · p. 20

雅可比场

  • 形变场相邻基元速度差的中位数为 6.9 px/s,而 LaGSplat 为 1.4 px/s,尽管两者的渲染结果在视觉上相近。形变场还会让静态背景上的基元移动。这些导数同时决定外加力的拉回映射和推断出的惯性,因此仅凭重建质量无法确认它们在物理上的有效性。出处:B Deformation-Field Decoder at Equal… · pp. 20–21, Figure 11 · p. 21

C 实现细节

LaGSplat 在各系统中采用相同架构,但维度、图像分辨率、基元数量和运行时长因系统而异。训练先联合拟合编码器和解码器,再在冻结、白化后的潜在坐标图上拟合动力学。

架构

  • 所有系统共用架构,但潜在维度、图像分辨率、基元数量和运行时长因系统而异。保持连续性的卷积编码器 [81] 包含三层步长为 2、卷积核为 12×12 的双通道卷积,采用 ELU 激活,随后接 4×4 平均池化和线性潜在映射,总计约 2,000 个参数。解码器包含 1,000–15,000 个维度为 n + d 的高斯基元。出处:C Implementation Details · p. 21
  • LNN 使用不到 15,000 个参数,由势能 ICNN [2]、学习得到的质量矩阵和阻尼矩阵,以及各腔室专属的驱动头组成。势能网络采用 [64] softplus 层;需要不变凸性时,使用包含两个模块、宽度为 64、Lipschitz 上限为 0.9 的 i-ResNet。两个独立的 [64] MLP 分别生成质量矩阵的 Cholesky 因子和完整阻尼矩阵:前者的 SPD 下限为 0.1,后者初始化为 0.2 I,各向同性下限为 1;每个腔室均配有一个不变凸 ICNN 驱动头。出处:C Implementation Details · p. 21

训练

  • 第 1 阶段通过约 5 × 10^4 次 Adam 迭代联合训练编码器和解码器,并定期重新分配低不透明度的高斯基元。损失为 0.08 L1 + 0.02 (1 − SSIM) + 0.01 各向异性项,SSIM 窗口为 7×7;对于峰值不透明度低于 0.02 的高斯基元,通过沿协方差主特征向量拆分负载过高的基元,或将其直接移至高误差区域来重新分配。采用多视角监督时,每帧的 65 张 SHARP 渲染图仅计算一次并缓存。出处:C Implementation Details · p. 21
  • 第 2 阶段通过约 5 × 10^4 次 Adam 迭代仅训练动力学,在视频片段窗口上执行一步可微 Verlet 积分。第 1 阶段结束后,利用训练帧计算基于协方差的潜在空间白化变换,并与坐标图一同冻结;第 2 阶段在可见性度量中对潜在位置和速度赋予相同权重,岭参数为 ρ = 0.01。高分辨率渲染仅在冻结的坐标图上重新训练解码器。出处:C Implementation Details · p. 21
Loading 2608.16324v1…