PhysGaussian: Physics-Integrated 3D Gaussians for Generative Dynamics

我们介绍了一种名为PhysGaussian的新方法，它将基于物理的牛顿动力学与三维高斯函数无缝集成，以实现高质量的新动作合成。采用自定义的材料点法（MPM），我们的方法将三维高斯核与具有物理意义的运动变形和机械应力属性相结合，这些属性都遵循连续力学原理。我们方法的一个显著特点是物理模拟和视觉渲染之间的无缝集成：两个组件都使用相同的三维高斯核作为其离散表示。这消除了三角形/四面体网格化、Marching Cubes、“笼状网格”或任何其他几何嵌入的必要性，突出了“你看到的就是你模拟的（WS2）”原则。我们的方法在各种材料上展现了出色的多功能性，包括弹性实体、金属、非牛顿流体和颗粒材料，展示了其在创建具有新视角和动作的多样化视觉内容方面的强大能力。我们的项目页面位于：https://xpandora.github.io/PhysGaussian/。

该论文试图通过将物理学和高斯核函数相结合，解决高质量的新动作合成问题。这是否是一个新问题？

论文中的关键思路是使用自定义的材料点方法（MPM）将物理学和高斯核函数相结合，以实现无缝集成的物理模拟和可视化渲染。这种方法消除了三角形/四面体网格化、Marching Cubes、"cage meshes"或任何其他几何嵌入的必要性，突出了"你看到的就是你模拟的"的原则。

该方法在各种材料（包括弹性实体、金属、非牛顿流体和颗粒材料）中展示了出色的多样性和创造性，可以创建具有新视点和运动的多样化视觉内容。该论文提供了项目页面，并开源了代码。实验设计详细，使用了多个数据集进行验证。

在这个领域中，还有一些相关的研究，例如：'DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills'，'Learning to Dress: Synthesizing Human Dressing Motion via Deep Reinforcement Learning'，'Learning to Simulate Complex Physics with Graph Networks'等。