arXiv 于 2026 年 10 月 21 日收录了一篇题为《MoRE: Motion-Regularized Encoding for Articulated 3D Generation》（面向铰接式三维生成的运动正则化编码）的新论文，作者为 Guantian Zheng 及另一位合作者，提交时间为 2026 年 10 月 21 日 18:55:12 UTC，论文篇幅为 6 页，包含 3 幅图和 4 张表，归类于计算机视觉与模式识别（cs.CV）领域，arXiv 编号为 2610.30337（v1），DOI 为 https://doi.org/10.48550/arXiv.2610.30337，由 DataCite 发放（注册尚待完成）。
论文关注的核心问题是：从单张图像生成一个铰接式物体，需要同时恢复其外观以及支配各部件运动的机构。作者指出，仅仅对关节属性进行紧凑编码，并不能保证重建结果能够保留由这些关节所诱导的运动。换言之，即便关节参数被准确表示出来，若编码过程未与运动结果建立联系，重建出的三维模型在 articulation 时仍可能偏离真实运动。
为此，作者提出 MoRE，即运动正则化编码（Motion-Regularized Encoding）。在关节表示上，MoRE 采用与坐标轴对齐的关节线（joint lines）表示方式，配合轴分类（axis classification）以及两个与轴正交的 Plücker 矩系数。这种表示的关键优势在于消除了沿轴方向原点选择的任意性——传统表示往往需要人为指定关节轴上的一个原点，而 Plücker 矩系数使表示与原点的选取无关，从而使关节线表示更加规范。
在表示学习阶段，MoRE 将解码得到的关节假设用于移动对应的三维锚点（anchors），并将这些锚点的运动与标注关节的运动进行比较。作者还引入了一个对关节类型与轴方向的可微期望（differentiable expectation），把属性重建与由此诱导的运动耦合起来，使网络在学习关节属性时直接受到运动一致性的监督。这一设计正是“运动正则化”的核心所在：关节属性的重建不再孤立进行，而是与其产生的运动效果绑定。
在生成架构上，MoRE 使用一个以图像为条件的流模型（image-conditioned flow）来学习由此得到的功能性潜变量（functional latents），同时采用一个多状态自适应的高斯模型（multi-state-adapted Gaussian model）来提供外观。在推理阶段，恢复出的部件分配与关节可以对单一一组静息姿态（rest-pose）高斯进行 articulation，而无需为每一个状态重新生成整个物体，这显著提升了效率。
实验方面，作者在 PartNet-Mobility 与 ACD 两个数据集上进行了评估。结果显示，与所比较的基线方法相比，MoRE 在部件包围盒一致性、铰接状态下的几何质量以及视觉相似度方面表现更强；在关节预测上，相对于 ArtiLatent，MoRE 降低了轴、原点与范围（range）方面的误差。此外，受控消融实验支持了关节线编码设计的有效性，并表明运动监督能够降低锚点运动误差。
需要说明的是，作者在论文中表示代码与预训练检查点将在未来发布，因此目前尚无法直接复现或验证其结果。此外，上述性能结论均基于论文自身的实验设置与所选择的基线，读者在引用时应注意其对比范围与数据集限制。该论文的 HTML 版本标注为实验性，并提供了音频摘要等附加功能。