Improving Physics-Augmented Continuum Neural Radiance Field-Based Geometry-Agnostic System Identification with Lagrangian Particle Optimization

几何无关的系统辨识是一种从视频序列中识别物体几何和物理特性的技术，不需要任何几何假设。最近，物理增强的连续神经辐射场（PAC-NeRF）通过利用混合欧拉-拉格朗日表示法展现出了很好的效果，其中几何由NeRF的欧拉网格表示法表示，物理由物质点法（MPM）描述，并通过拉格朗日粒子连接。然而，PAC-NeRF的一个显著局限性是，由于其两步优化，其性能对于从第一帧学习几何结构非常敏感。首先，使用视频序列的第一帧优化网格表示，然后通过利用固定的第一帧网格表示在视频序列中优化物理特性。当学习几何结构困难时，例如在少量样本（稀疏视图）设置中，这种局限性可能是关键的。为了克服这个局限性，我们提出了拉格朗日粒子优化（LPO），其中粒子的位置和特征在拉格朗日空间中通过视频序列进行优化。该方法允许在MPM施加的物理约束下，在整个视频序列中优化几何结构。实验结果表明，LPO对于稀疏视图设置中的几何校正和物理识别非常有用。

本文旨在解决几何不可知系统识别的问题，即从视频序列中识别对象的几何和物理属性，而不需要任何几何假设。同时，该论文试图解决 PAC-NeRF 在几何学习方面的局限性，即其对于几何结构的学习对于整个视频序列的表现非常敏感。

本文提出了一种名为 Lagrangian Particle Optimization (LPO) 的方法，通过在拉格朗日空间中优化粒子的位置和特征，从而克服 PAC-NeRF 的局限性。这种方法允许在 MPM 强制物理约束的情况下优化整个视频序列的几何结构。

本文的亮点是提出了一种新的方法 LPO，解决了 PAC-NeRF 在几何学习方面的局限性。实验结果表明，LPO 对于稀疏视图设置中的几何校正和物理识别非常有用。

与本文相关的研究包括 PAC-NeRF，NeRF，MPM，以及其他在视频序列中识别对象几何和物理属性方面的研究。