DeformMaster：一种基于视频的可变形物体交互式物理-神经世界模型
TLDR
DeformMaster从真实视频中学习可变形物体的交互式物理-神经世界模型，实现动力学推演和新视角合成。
评分理由
The paper presents a novel unified framework combining physics-based dynamics with neural residuals for high-fidelity modeling of deformable objects from real-world videos. Strengths include real-world experiments and outperforming baselines; weaknesses are the lack of explicit reinforcement learning context and potential complexity in scaling.
Read-first 评分解释
综合优先阅读分 61.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 51。
研究版图角色
基础论文前沿论文桥接论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：396。
关键词评分
深度分析
创新点
- 基于视频的可变形物体交互式物理-神经世界模型
- 保留结构化物理推演，并用神经残差补偿未建模效应
- 将稀疏手部运动作为分布式柔顺执行器，用于手-连续体交互
- 使用空间变化的本构专家表示材料响应
- 从预测的物理演化驱动高保真4D外观
- 统一的动力学与外观框架
方法
DeformMaster是一种物理-神经世界模型，结合结构化物理推演与神经残差以补偿未建模效应。它将稀疏手部运动作为分布式柔顺执行器用于手-连续体交互，并使用空间变化的本构专家表示材料响应。该模型预测物理演化并从中渲染高保真4D外观，在真实世界可变形物体视频上训练。
关键结果
在真实世界可变形物体序列上的实验表明，DeformMaster在推演未来动力学和渲染动态外观方面优于最先进的基线，同时支持新动作推演、材料参数变化和动态新视角合成。