Tag · 4 篇
神经常微分方程
ParticleGS：从视频学习神经高斯粒子动力学以实现无先验物理运动外推
ParticleGS: Learning Neural Gaussian Particle Dynamics from Videos for Prior-free Physical Motion Extrapolation
将动态3D场景表示为物理粒子系统，用Neural ODE学习连续时间动力学，实现无先验的未来运动外推；其编码器-演化器-解码器架构可复用于其他需要物理一致性的动态重建任务。
Node-RF：基于神经常微分方程 NeRF 学习泛化的连续时空场景动态
Node-RF: Learning Generalized Continuous Space-Time Scene Dynamics with Neural ODE-based NeRFs
把 NODE 的连续时间状态演化嵌入动态 NeRF 的隐式表示中，用 ODE 求解器在特征空间做长程外推，为动态场景建模提供了一种常数显存、可跨观测边界预测未来视角与状态的思路，可直接迁移到动态新视角合成与时空预测任务。
基于半群正则化与时间嵌入架构学习微分同胚的医学图像配准
Learning Diffeomorphism for Medical Image Registration with Time-Embedded Architectures Using Semigroup Regularization
把配准形变场建模为 ODE 流，用时间嵌入骨干网络加单一半群正则化替代 scaling-and-squaring 积分与多重辅助约束，可直接迁移到需要可逆形变场的医学配准、可逆光流与图像编辑中的形变建模。
EMMA：从多模态数据中提取多个物理参数
EMMA: Extracting Multiple physical parameters from Multimodal Data
把视频轨迹当作动力学观测，用 Liquid Time-Constant 网络在连续时间模型里联合估计显式物理参数与隐变量，为视觉研究者提供了一条不依赖分割掩码或可微渲染、直接从原始视频反演系统物理量的可复用路径。