PhysGaussian: Physics-Integrated 3D Gaussians for Generative Dynamics

我们引入了PhysGaussian，这是一种新的方法，它将基于物理学的牛顿动力学与三维高斯函数无缝集成，以实现高质量的新型运动合成。采用自定义的材料点方法（MPM），我们的方法使用具有物理意义的运动变形和机械应力属性丰富了三维高斯核，所有这些都遵循连续介质力学原理。我们方法的一个显著特征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它们的离散表示。这消除了三角形/四面体网格、行进立方体、“笼子网格”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”原则。我们的方法在各种材料上表现出了极强的多样性，包括弹性实体、金属、非牛顿流体和颗粒材料，展示了它在创建具有新视角和运动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/。

本论文旨在提出一种新的方法——PhysGaussian，该方法将牛顿动力学和3D高斯核完美结合，以实现高质量的新型运动合成。同时，该方法还可以适用于各种材料，包括弹性物体、金属、非牛顿流体和颗粒材料等。

PhysGaussian方法的关键思路是利用自定义的材料点方法（MPM）将物理上有意义的运动变形和机械应力属性融合到3D高斯核中，以实现物理模拟和可视化渲染的无缝集成。这种方法可以消除三角形/四面体网格、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（WS^2）”原则。

该方法的亮点在于其卓越的多样性和适用性，可以在各种材料上展现强大的能力，包括弹性实体、金属、非牛顿流体和颗粒材料等。此外，该论文还提供了一个项目页面，其中包括开源代码和数据集。

最近在这个领域中，还有一些相关的研究，如：《基于深度学习的物理模拟：过去、现在和未来》、《深度学习在物理模拟中的应用》等。