ODeform：利用神经常微分方程学习形状形变的连续4D运动
ODeform是一种基于神经常微分方程的新方法，用于对可变形物体在3D空间中的连续4D动态进行建模。它将3D点云和物理条件映射到统一潜在空间，通过求解常微分方程实现连续形变建模，无需离散时间步长，同时保持计算效率。实验表明，该方法在未见过的物理参数配置上提高了运动预测精度，并成功迁移到真实3D物体的新形状上。
在计算机视觉和机器人领域，对可变形物体的连续运动建模是一项关键任务，广泛应用于操作和仿真。然而，现有方法要么依赖于离散时间步长的学习模型，要么使用计算密集型的物理模拟器，难以满足实时应用的需求。针对这一挑战，Yordanka Velikova及其合作者提出了一种名为ODeform的新方法，将神经常微分方程（Neural ODE）扩展至三维空间中可变形物体的连续四维动态建模。
ODeform的核心创新在于，它将3D点云数据与物理条件（如材料属性）统一映射到一个潜在空间中。通过在这个潜在空间中随时间求解常微分方程，模型能够将形变表示为连续的流，从而避免了离散时间步长带来的局限性，同时保持了计算效率。这种方法不仅理论上优雅，而且在实际应用中表现出色。
研究团队在未知物理参数配置下对ODeform进行了评估，结果显示其在运动预测精度上显著优于基线方法。此外，实验还成功地将学习到的动态模型迁移到真实3D扫描物体上，这些物体具有全新的形状，模型还能有效地进行内插和外推。这一结果表明，ODeform具有良好的泛化能力，能够适应真实世界中的多样性。
该工作已被IROS 2026接收，相关代码和数据集将在未来公开发布，为后续研究提供有力支持。ODeform为可变形物体的连续动态建模提供了一种高效且精确的解决方案，有望推动机器人操作和仿真等领域的发展。