一張照片，就能生成可直接用于仿真的3D資產(chǎn)。

（沒錯，下圖中幾乎所有物體都是AI生成的）

隨著三維建模從傳統(tǒng)的靜態(tài)視覺效果，逐步邁向可用于仿真與交互的物理可動資產(chǎn)，如何直接生成具備物理屬性與關(guān)節(jié)結(jié)構(gòu)的3D對象，成為推動具身智能（embodied AI）發(fā)展的關(guān)鍵。

然而，現(xiàn)有大多數(shù)3D生成方法往往忽視這些核心的物理與運動特性，嚴重限制了其在機器人等相關(guān)領(lǐng)域的應(yīng)用。

為此，來自南洋理工大學與上海人工智能實驗室的合作研究團隊提出PhysX-Anything——首個面向仿真、具備物理屬性的3D生成框架：僅需單張圖像，即可生成高質(zhì)量、可直接用于仿真的3D資產(chǎn)，并同時具備顯式幾何結(jié)構(gòu)、關(guān)節(jié)運動以及物理參數(shù)。

從「靜態(tài)模型」走向「物理仿真」

在機器人、具身智能和交互仿真等任務(wù)中，對能在物理引擎中直接運行的高質(zhì)量3D資產(chǎn)需求日益增長。然而，當前大多數(shù)3D生成方法仍側(cè)重于整體幾何與外觀，或僅關(guān)注部件結(jié)構(gòu)，普遍缺失密度、絕對尺度、關(guān)節(jié)約束等關(guān)鍵物理信息，難以直接用于真實仿真與控制。

盡管已有少數(shù)研究開始探索可動3D對象的生成，但由于高質(zhì)量3D物理標注數(shù)據(jù)的稀缺，多采用“檢索現(xiàn)有模型+附加運動”的范式，難以從單張真實圖像泛化生成全新且物理一致的資產(chǎn)。此外，現(xiàn)有方法對形變行為的建模也常假設(shè)材料均勻或忽略部分物理屬性。即便是能夠生成物理3D資產(chǎn)的PhysXGen，其輸出也尚未支持在主流物理引擎中即插即用，限制了在控制任務(wù)中的實用性。

為彌合合成3D資產(chǎn)與真實下游應(yīng)用之間的差距，研究團隊提出了PhysX-Anything——首個面向仿真的物理3D生成范式。該框架僅憑一張圖像，即可生成高質(zhì)量、可直接導入標準模擬器的sim-ready（仿真就緒）3D資產(chǎn)。該成果有望為3D生成、具身智能與機器人領(lǐng)域帶來新的可能性與研究范式。

如何通過一張圖，實現(xiàn)3D物理重建？

PhysX-Anything采用“由粗到細（coarse-to-fine）”的生成框架。給定一張真實場景圖像，系統(tǒng)通過多輪對話，依次生成整體物理描述與各部件幾何信息，通過對物理表征進行解碼，最終解碼輸出六種常用格式的可仿真3D資產(chǎn)。

1. 實現(xiàn)193倍壓縮比！「體素」如何重構(gòu)3D表示？

在傳統(tǒng)視覺語言模型（VLM）中進行3D生成時，為壓縮原始網(wǎng)格的token長度，主流方法通常采用基于頂點量化的文本序列表示，但所得幾何token仍十分冗長。3D VQ-GAN雖可進一步壓縮幾何token，卻需要在微調(diào)階段引入額外特殊token和自定義tokenizer，增加了訓練與部署的復(fù)雜度。

為此，研究團隊提出一種新型3D表征方式，在顯式保留幾何結(jié)構(gòu)的同時顯著縮短token序列，且無需任何額外token。該方法受體素（就是三維的像素）表征在精度與效率間良好折中的啟發(fā)，基于體素構(gòu)建幾何表示：首先在32³體素網(wǎng)格上由VLM建模粗略幾何，再由下游解碼器細化得到高保真形狀，從而保留體素顯式結(jié)構(gòu)優(yōu)勢，同時避免過高token開銷。

在整體信息表征上，團隊沿用樹狀、VLM友好的結(jié)構(gòu)，并以JSON風格格式替代標準URDF，使其包含更豐富的物理屬性與文本描述，便于VLM理解與推理。同時，團隊將關(guān)鍵運動學參數(shù)（如運動方向、關(guān)節(jié)軸位置、運動范圍等）統(tǒng)一映射到體素空間，以保證運動學與幾何結(jié)構(gòu)的一致性。

2. 從「全局藍圖」到「局部精修」

在上述物理3D資產(chǎn)表征的基礎(chǔ)上，研究團隊采用Qwen2.5作為基礎(chǔ)模型，并在自建的物理3D數(shù)據(jù)集上對該VLM進行微調(diào)。通過精心設(shè)計的多輪對話流程，PhysX-Anything能同時生成高質(zhì)量的全局描述（整體物理與結(jié)構(gòu)屬性）與局部信息（部件級幾何）。

為獲取更精細的幾何細節(jié)，團隊受ControlNet啟發(fā)，設(shè)計了一個可控的flow transformer。該模塊將粗體素表示作為擴散模型的引導信號，控制細粒度體素幾何的生成。在得到細粒度體素表示后，系統(tǒng)采用預(yù)訓練的結(jié)構(gòu)化潛在擴散模型解碼出多種格式的3D資產(chǎn)，包括網(wǎng)格表面、輻射場與3D高斯等。

隨后，基于體素分配結(jié)果，使用最近鄰算法將重建網(wǎng)格劃分為部件級組件。

最終，結(jié)合全局結(jié)構(gòu)信息與細粒度體素幾何，PhysX-Anything能夠生成用于仿真的URDF、XML及部件級網(wǎng)格，實現(xiàn)“仿真就緒”的物理3D生成。

效果如何？多項實測全面驗證

1. 在PhysX-Mobility數(shù)據(jù)集上的評估

研究團隊將PhysX-Anything與當前最新方法URDFormer、Articulate-Anything和PhysXGen進行對比。如下表所示，PhysX-Anything在幾何與物理兩類指標上均取得最優(yōu)表現(xiàn)。得益于強大的VLM先驗，其在絕對尺度上的誤差大幅降低。此外，由于VLM結(jié)構(gòu)適合處理文本，PhysX-Anything在文本描述相關(guān)指標上也取得最高得分，表明該方法方法不僅能夠生成物理上合理的屬性，還能產(chǎn)出連貫的、具備部件層級的文字描述，對物體結(jié)構(gòu)與功能具備較強理解能力。

除了定量結(jié)果，定性對比也清晰顯示，PhysX-Anything在泛化能力方面具有顯著優(yōu)勢，尤其相較于檢索式方法更為突出。依托強大的VLM先驗與高效表征設(shè)計，該系統(tǒng)還能生成比PhysXGen更合理、可信的物理屬性。

2. 真實世界場景測試

基于VLM的評估：為評估方法的泛化能力，團隊進一步在真實世界圖像上測試其性能。這些圖像覆蓋了最常見的日常物體類別。為避免VLM在某些具體物理屬性上判斷不穩(wěn)定的問題，本次評估重點放在幾何與關(guān)節(jié)運動質(zhì)量上。結(jié)果表明，PhysX-Anything在幾何與運動學參數(shù)兩項指標上均顯著優(yōu)于所有對比方法，顯示出對真實輸入的強泛化能力。

作為補充，團隊還召集了一些人類志愿者為不同模型的生成結(jié)果打分，PhysX-Anything的生成結(jié)構(gòu)在幾何與物理屬性都獲得了最高分，表明其生成結(jié)果對比來看也更受人類認可。

在真實場景上的可視化結(jié)果也可進一步直觀展示該方法的優(yōu)勢：PhysX-Anything能夠生成更加準確的幾何結(jié)構(gòu)、關(guān)節(jié)運動以及物理屬性。

3. 「開箱即用」賦能具身智能訓練

為驗證生成資產(chǎn)對下游任務(wù)的支撐能力，團隊在MuJoCo風格的模擬器中進行了實驗。生成的sim-ready 3D資產(chǎn)——包括水龍頭、柜子、打火機、眼鏡等日常物體——可以直接導入模擬器，并用于接觸豐富的機器人策略學習。

該實驗不僅展示了生成資產(chǎn)在物理行為與幾何結(jié)構(gòu)上的高度可信性，也突顯了它們在推動多種下游機器人與具身智能應(yīng)用方面的巨大潛力。

推動3D重建從「形似」走向「神似」

研究團隊提出首個面向仿真的物理3D生成范式PhysX-Anything，通過統(tǒng)一的VLM管線與定制3D表征，在顯式保留幾何結(jié)構(gòu)的前提下實現(xiàn)超過193倍的token壓縮，顯著提升了物理3D生成的效率與可擴展性。

同時，團隊構(gòu)建了覆蓋47個常見真實類別、具備豐富物理標注的PhysX-Mobility數(shù)據(jù)集，大幅拓展了現(xiàn)有物理3D資產(chǎn)的多樣性。基于該數(shù)據(jù)集及真實世界場景的實驗表明，PhysX-Anything在sim-ready物理3D生成上具有優(yōu)異性能與穩(wěn)健泛化能力，仿真實驗進一步驗證了其在下游機器人策略學習中的應(yīng)用潛力。

該框架有望為3D視覺、具身智能與機器人研究開辟新的方向，推動從“視覺建模”到“物理建模”的范式轉(zhuǎn)變。