基于當前觀察，預測鉸鏈物體的的運動，尤其是 part-level 級別的運動，是實現(xiàn)世界模型的關鍵一步。盡管現(xiàn)在基于 diffusion 的方法取得了很多進展，但是這些方法存在處理效率低，同時缺乏三維感知等問題，難以投入真實環(huán)境中使用。

清華大學聯(lián)合北京大學提出了第一個基于重建模型的 part-level 運動的建模——PartRM。用戶給定單張輸入圖像和對應的 drag ，PartRM 能生成觀測物體未來狀態(tài)的三維表征 ，使得生成數(shù)據(jù)能夠真正服務于機器人操縱等任務。實驗證明 PartRM 在生成結果上都取得了顯著的提升。該研究已入選CVPR 2025。

• 論文題目：PartRM: Modeling Part-Level Dynamics with Large Cross-State Reconstruction Model
• 論文主頁：https://partrm.c7w.tech/
• 論文鏈接：https://arxiv.org/abs/2503.19913
• 代碼鏈接：https://github.com/GasaiYU/PartRM

研究動機

世界模型是一種基于當前觀察和動作來預測未來狀態(tài)的函數(shù)。該模型的研發(fā)使得計算機能夠理解物理世界中的復雜規(guī)律，在機器人等領域得到了廣泛應用。近期，對 part-level 的動態(tài)建模的興趣日益增長，給定當前時刻的觀察并給與用戶給定的拖拽，預測下一時刻的鉸鏈物體各個部件的運動受到越來越多的關注，這種類型的世界模型對于需要高精度的任務，例如機器人的操縱任務等，具有重要的意義。

然而，我們對這個充滿前景的領域的調(diào)研表明，目前的前沿研究（如 Puppet-Master）通過對預訓練的 大規(guī)模視頻擴散模型進行微調(diào)，以實現(xiàn)增加拖拽控制的功能。盡管這種方法有效地利用了預訓練過程中 學習到的豐富運動模式，但在實際應用中仍顯不足。其中一個主要局限是它僅輸出單視角視頻作為表示，而模擬器需要三維表示來從多個視角渲染場景。此外，擴散去噪過程可能需要幾分鐘來模擬單個拖 拽交互，這與為操作策略（Manipulation Policies）提供快速試錯反饋的目標相悖。

因此，我們需要采用三維表征，為了實現(xiàn)從輸入單視角圖像的快速三維重建，我們利用基于三維高斯?jié)姙R（3DGS）的大規(guī)模重建模型，這些模型能以前饋方式從輸入圖像預測三維高斯?jié)姙R，使重建時間從傳 統(tǒng)優(yōu)化方法所需的幾分鐘減少到僅需幾秒鐘。同時，通過將用戶指定的拖拽信息加入到大規(guī)模三維重建   網(wǎng)絡中，我們實現(xiàn)了部件級別的動態(tài)建模。在這個問題中，我們認為聯(lián)合建模運動和幾何是至關重要的，因為部件級運動本質(zhì)上與每個部件的幾何特性相關聯(lián)（例如，抽屜在打開時通常沿其法線方向滑動）。這種集成使我們能夠實現(xiàn)更真實和可解釋的部件級動態(tài)表示。

同時，由于我們是第一個做這個任務的，在這個任務上缺少相關的數(shù)據(jù)集，因此我們基于 PartNet- Mobility 構建了 PartDrag-4D 數(shù)據(jù)集，并在這個數(shù)據(jù)集上建立了衡量對部件級別動態(tài)建模的基準（Benchmark），實驗結果表明，我們的方法在定量和定性上都取得了最好的效果。

PartDrag-4D 數(shù)據(jù)集的構建

我們首先定義 PartRM 需要完成的任務，給定單張鉸鏈物體的圖像 ot 和用戶指定的拖拽 at ，我們需要設計 一個模型，完成

其中  是 Ot 在 at 作用下的三維表征。

現(xiàn)有的數(shù)據(jù)集分為兩種， 一種是只含有數(shù)據(jù)對，但是缺乏對應的三維表征（比如 DragAPart 中提出的 Drag-a-Move 數(shù)據(jù)集）。還有一種是通用數(shù)據(jù)集，比如 Objaverse 中的動態(tài)數(shù)據(jù)，這種數(shù)據(jù)不止還有部件級別的運動，還會含有物體整體的變形等運動，不適合我們訓練。

因此，我們基于提供鉸鏈物體部件級別標注的 PartNet-Mobility 數(shù)據(jù)集構建了 PartDrag-4D 數(shù)據(jù)集。我們選取了 8 種鉸鏈物體（其中 7 種用于訓練， 1 種用于測試），共 738 個 mesh。對于每個 mesh，如圖所示，我們使其中某個部件在兩種極限狀態(tài)（如完全閉合到完全開啟）間運動至 6 個狀態(tài)，同時將其他部分狀態(tài) 設置為隨機，從而產(chǎn)生共 20548 個狀態(tài)，其中 20057 個用于訓練，491 個用于測試。為渲染多視角圖像，我們利用 Blender 為每個 mesh 渲染了 12 個視角的圖像。對于兩個狀態(tài)之間拖拽數(shù)據(jù)的采樣，我們在鉸鏈物體運動部件的 Mesh 表面選取采樣點，并將兩個狀態(tài)中對應的采樣點投影至 2D 圖像空間，即可獲得對應的拖拽數(shù)據(jù)。

PartRM 方法

方法概覽

上圖提供了 PartRM 方法的概述，給定一個單視角的鉸鏈物體的圖像 ot 和對應的拖拽 at，我們的目標是生 成對應的 3D 高斯?jié)姙R。我們首先會利用多視角生成模型 Zero123++ 生成輸入的多視角圖像，然后對輸入的拖拽在用戶希望移動的 Part 上進行傳播。這些多視角的圖像和傳播后的拖拽會輸入進我們設計的網(wǎng)絡中，這個網(wǎng)絡會對輸入的拖拽進行多尺度的嵌入，然后將得到的嵌入拼接到重建網(wǎng)絡的下采樣層中。在訓練過程中，我們采用兩階段訓練方法，第一階段學習 Part 的運動，利用高斯庫里的 3D 高斯進行 監(jiān)督，第二階段學習外觀，利用數(shù)據(jù)集里的多視角圖像進行監(jiān)督。

圖像和拖拽的預處理

圖像預處理：由于我們的主網(wǎng)絡是基于 LGM 設計的， LGM 需要多視角的圖像作為輸入，所以我們需要將 輸入的單視角圖像變成多視角，我們利用多視角圖像生成網(wǎng)絡 Zero123++，為了使得 Zero123++ 生成的  圖像質(zhì)量更高，我們會在訓練集上對其進行微調(diào)。

拖拽傳播：如果用戶只輸入一個拖拽，后續(xù)網(wǎng)絡可能會對拖拽的區(qū)域產(chǎn)生幻覺從而出錯，因此我們需要   對拖拽進行傳播到需要被拖拽部分的各個區(qū)域，使得后續(xù)網(wǎng)絡感知到需要被拖拽的區(qū)域，為此我們設計了一個拖拽傳播策略。如圖所示，我們首先拿用戶給定的拖拽的起始點輸入進 Segment Anything 模型中得到對應的被拖拽區(qū)域的掩碼，然后在這個掩碼區(qū)域內(nèi)采樣一些點作為被傳播拖拽的起始點，這些被傳播的拖拽的強度和用戶給定的拖拽的強度一樣。盡管在拖動強度大小的估計上可能存在不準確性，我們后續(xù)的模型仍然足夠穩(wěn)健，能夠以數(shù)據(jù)驅動的方式學習生成預期的輸出。

拖拽嵌入

PartRM 重建網(wǎng)絡的 UNet 部分沿用了 LGM 的網(wǎng)絡架構，為了將上一步處理好的拖拽注入到重建網(wǎng)絡中，  我們設計了一個多尺度的拖拽嵌入。具體地，對于每一個拖拽，我們會將它的起始點和終止點先過一個 Fourier 嵌入，然后過一個三層的 MLP：

其中代表第 i 個拖拽在第 l 層的嵌入，其余部分設為 0。F 代表 Fourier 嵌入和 MLP ，代表在 channel 維度上連接。得到第 l 層的嵌入后，我們將  和網(wǎng)絡第 l 層的輸出 Ol 在 channel 維度上連接，并過一個卷積層，作為 Ol 的殘差加到 Ol 上作為下一層的輸入，具體地：

其中卷積層的參數(shù)全零初始化，為第 l + 1 層的輸入。

兩階段訓練流程

為了保證對靜態(tài) 3D 物體外觀和幾何的建模能力，我們在預訓練的 LGM 基礎上構建了 PartRM。但直接在新數(shù)據(jù)集上微調(diào)會導致已有知識災難性遺忘，從而降低對真實場景數(shù)據(jù)的泛化能力。為此，我們提出了 兩階段學習方法：先專注于學習之前未涉及的運動信息，再訓練外觀、幾何和運動信息，以確保更好的性能。

運動學習階段：在運動學習階段，我們期望模型能夠學到由輸入的拖拽引起的運動。我們首先利用在我 們的數(shù)據(jù)集上微調(diào)好的 LGM 去推理每個狀態(tài) Mesh 對應的 3D 高斯?jié)姙R表征，拿這些作為監(jiān)督數(shù)據(jù)我們第 一階段的訓練。對于兩個 3D 高斯之間的對應，我們利用 LGM 輸出的是一個 splatter image 這一優(yōu)勢，即 LGM 會對 2D 圖像的每一個像素點學一個高斯?jié)姙R，我們可以直接對監(jiān)督數(shù)據(jù)和 PartRM 網(wǎng)絡預測的輸出  做像素級別的 L2 損失，即：

其中 i 代表在 splatter image 里的坐標， GSi 和 GSj 均為每個像素點對應的 14 維高斯球參數(shù)。

外觀學習階段： 在運動學習階段之后，我們引入了一個額外的階段來聯(lián)合優(yōu)化輸出的外觀，幾何以及部 件級別的運動。這個階段我們會渲染我們輸出的 3D 高斯，利用數(shù)據(jù)集中提供的多視角圖像計算一個損失，具體地：

實驗結果

實驗設置

我們在兩個數(shù)據(jù)集上來衡量我們提出的 PartRM 方法，這兩個數(shù)據(jù)集包括我們提出的 PartDrag-4D 數(shù)據(jù)集 以及通用數(shù)據(jù)集 Objaverse-Animation-HQ。因為 Objaverse-Animation-HQ 數(shù)據(jù)量比較大，我們只從其中采樣 15000 條數(shù)據(jù)，然后手動拆分訓練集和測試集。驗證時，我們對輸出的 3D 高斯渲染 8 個不同的視角，在這 8 個視角上算 PSNR ，SSIM 和 LPIPS 指標。

我們選用 DragAPart ， DiffEditor 和 Puppet-Master 作為我們的 baseline。對于不需要訓練的 DiffEditor 方法，我們直接拿它官方的訓練權重進行推理。對于需要訓練的 DragAPart 和 Puppet-Master，我們在訓練 集上對他們進行微調(diào)。

由于現(xiàn)有的方法只能輸出 2D 圖像，不能輸出 3D 表征，為了和我們的任務對齊，我們設計了兩種方法。第一種稱為 NVS-First，即我們首先對輸入的單視角圖像利用 Zero123++ 生成多視角圖像，再分別對每個視角結合每個視角對應的拖拽進行推理，生成對應的圖像后再進行 3D 高斯重建；第二種稱為 Drag-First，

即我們首先先對輸入視角進行拖拽，然后對生成的結果利用 Zero123++ 進行多視角生成，最后進行 3D 高斯重建。我們采用了兩種 3D 高斯重建方法，第一種為直接用 LGM （下圖中兩個時間的第一個）進行重建，第二種利用基于優(yōu)化的 3D 高斯?jié)姙R進行重建（下圖中兩個時間的第二個）。

定性比較

在視覺效果方面， PartRM 通過對外觀，幾何和運動的聯(lián)合建模，能夠在抽屜開合等場景中生成物理合理的三維表征。相比之下， DiffEditor 由于缺乏三維感知，導致部件形變錯位； DragAPart 雖然能夠處理簡  單的關節(jié)運動，但在生成微波門板時出現(xiàn)了明顯的偽影等問題，同時在通用數(shù)據(jù)集上表現(xiàn)不佳；Puppet- Master 在外觀的時間連續(xù)性和運動部分的建模方面表現(xiàn)不佳。

在 in the wild 質(zhì)量方面，我們從互聯(lián)網(wǎng)上采了一些數(shù)據(jù)，手動設置拖拽，利用我們在 PartDrag-4D 上訓練 好的 PartRM 進行推理。圖中可以看到，我們的方法在一些和訓練數(shù)據(jù)分布差別不大的數(shù)據(jù)上可以取得較 好的效果；但是在一些分布差別較大的數(shù)據(jù)上效果欠佳。

定量比較

定量評估中， PartRM 在 PSNR、SSIM、 LPIPS 指標上較基線模型均有提升；同時大幅提升了生成效率， PartRM 僅需 4 秒即可完成單次生成，而傳統(tǒng)方案需分步執(zhí)行 2D 形變與三維重建。

總結

本文介紹了 PartRM ，一種同時建模外觀、幾何和部件級運動的新方法。為了解決 4D 部件級運動學習中的數(shù)據(jù)稀缺問題，我們提出了 PartDrag-4D 數(shù)據(jù)集，提供了部件級動態(tài)的多視角圖像。實驗結果表明，我們的方法在部件運動學習上優(yōu)于以往的方法，并且可應用于具身 AI 任務。然而，對于與訓練分布差異較大的關節(jié)數(shù)據(jù)，可能會遇到挑戰(zhàn)。