arXiv 於 2026 年 10 月 21 日收錄了一篇題為《MoRE: Motion-Regularized Encoding for Articulated 3D Generation》（面向鉸接式三維生成的運動正則化編碼）的新論文，作者為 Guantian Zheng 及另一位合作者，提交時間為 2026 年 10 月 21 日 18:55:12 UTC，論文篇幅為 6 頁，包含 3 幅圖和 4 張表，歸類於計算機視覺與模式識別（cs.CV）領域，arXiv 編號為 2610.30337（v1），DOI 為 https://doi.org/10.48550/arXiv.2610.30337，由 DataCite 發放（註冊尚待完成）。
論文關注的核心問題是：從單張圖像生成一個鉸接式物體，需要同時恢復其外觀以及支配各部件運動的機構。作者指出，僅僅對關節屬性進行緊湊編碼，並不能保證重建結果能夠保留由這些關節所誘導的運動。換言之，即便關節參數被準確表示出來，若編碼過程未與運動結果建立聯繫，重建出的三維模型在 articulation 時仍可能偏離真實運動。
為此，作者提出 MoRE，即運動正則化編碼（Motion-Regularized Encoding）。在關節表示上，MoRE 採用與座標軸對齊的關節線（joint lines）表示方式，配合軸分類（axis classification）以及兩個與軸正交的 Plücker 矩係數。這種表示的關鍵優勢在於消除了沿軸方向原點選擇的任意性——傳統表示往往需要人為指定關節軸上的一個原點，而 Plücker 矩係數使表示與原點的選取無關，從而使關節線表示更加規範。
在表示學習階段，MoRE 將解碼得到的關節假設用於移動對應的三維錨點（anchors），並將這些錨點的運動與標註關節的運動進行比較。作者還引入了一個對關節類型與軸方向的可微期望（differentiable expectation），把屬性重建與由此誘導的運動耦合起來，使網絡在學習關節屬性時直接受到運動一致性的監督。這一設計正是“運動正則化”的核心所在：關節屬性的重建不再孤立進行，而是與其產生的運動效果綁定。
在生成架構上，MoRE 使用一個以圖像為條件的流模型（image-conditioned flow）來學習由此得到的功能性潛變量（functional latents），同時採用一個多狀態自適應的高斯模型（multi-state-adapted Gaussian model）來提供外觀。在推理階段，恢復出的部件分配與關節可以對單一一組靜息姿態（rest-pose）高斯進行 articulation，而無需為每一個狀態重新生成整個物體，這顯著提升了效率。
實驗方面，作者在 PartNet-Mobility 與 ACD 兩個數據集上進行了評估。結果顯示，與所比較的基線方法相比，MoRE 在部件包圍盒一致性、鉸接狀態下的幾何質量以及視覺相似度方面表現更強；在關節預測上，相對於 ArtiLatent，MoRE 降低了軸、原點與範圍（range）方面的誤差。此外，受控消融實驗支持了關節線編碼設計的有效性，並表明運動監督能夠降低錨點運動誤差。
需要説明的是，作者在論文中表示代碼與預訓練檢查點將在未來發布，因此目前尚無法直接復現或驗證其結果。此外，上述性能結論均基於論文自身的實驗設置與所選擇的基線，讀者在引用時應注意其對比範圍與數據集限制。該論文的 HTML 版本標註為實驗性，並提供了音頻摘要等附加功能。