研究背景与核心创新 - 提出GaussianArt单阶段训练框架，通过关节式3D高斯模型统一运动与外观建模，简化了传统两阶段流程[2][4] - 该方法支持最多20个部件的复杂物体，并集成鲁棒部件分割模块以精确分解关节级运动[2][5] - 相较于仅在19个物体上评估的先前研究，该研究通过90个铰接物体进行了大规模扩展评估[2][4] 技术方法与实现 - 采用基于3DGS的显式场景表示法，将关节物体重构为基于规范高斯表示的运动场[10] - 通过基础模型SAM2进行部件分割并微调为专用模型Art-SAM，用于初始化规范高斯分布[11] - 在训练过程中增加权重分布、空间稀疏性和刚性估计等约束，以精确表示关节物体[10][13] 数据集构建 - 构建了包含90个关节物体的综合基准测试集MPArt-90，其中79%为合成物体，36%为真实世界物体[12][16] - 数据集涵盖20个类别，主要基于Partnet-Mobility数据集构建，并包含从Multiscan数据集中选取的三个真实物体[16][17] 性能评估与结果 - 在运动参数估计方面，GaussianArt在轴向角度误差上为12.17度，优于对比方法ArtGS的24.34度[20] - 在几何重建方面，GaussianArt的静态部件倒角距离为2.68，显著优于ArtGS的11.57[20] - 对于动态部件，GaussianArt的倒角距离为5.42，远低于ArtGS的380.29[20] 应用前景 - 生成的铰链物体高斯模型可用于生成4D资产，实现数字人与动态物体的交互[25] - 该方法为机械臂操控铰接物体提供了支持，可集成至Isaac等仿真系统[7][26]