杭电研究人员提出ML-IST:用机器学习加速内球树叶球构建
用机器学习加速内球树叶球构建
(映维网Nweon 2026年11月02日)碰撞检测是虚拟现实等应用中的基础环节。对于带孔洞、凹槽和薄壁结构的复杂非凸物体,如何既快速又准确地描述其内部占据空间,一直是难点。杭州电子科技大学团队提出一种名为ML-IST的方法,将传统内球树的叶球生成改为机器学习预测,在测试中降低了叶球构建时间,并在物理引擎基准中取得较高帧率。

内球树(IST)通过在物体内部放置互不重叠的内切球并组织成层次结构,支持邻近查询和穿透查询。但传统叶球生成依赖符号距离场上的贪心迭代:反复寻找最大允许内球,再更新剩余可行区域。这一过程本质串行,难以充分利用GPU并行能力,构建时间随体素分辨率、几何复杂度和目标球数增加而上升。
ML-IST的思路是把叶球生成表述为“固定容量球集预测”。据介绍,方法先将三维模型重采样为七通道体素输入,包括内部掩码、内部距离场、归一化符号距离场、边界通道和三维坐标通道;随后由多阶段网络一次性预测候选球的球心、半径和物体性得分。网络先以大尺寸基础球建立主要内部覆盖,再用可微渲染器把基础球覆盖转换为体素级反馈,由第二个编码器据此修正基础球并预测中等、细节尺度的残余球,以填补空隙。推理阶段再用局部距离场限制半径,经几何投影保证球位于物体内部。团队强调,这一方法只针对传统IST中开销最大的叶球生成阶段,并不替换完整IST框架,生成的球仍可组织为传统层次结构供现有碰撞查询使用。
......(全文 1172 字,剩余 626 字)


