Love Handles: Decimation for Deformation Handles with Compact Support and Low Memory Footprints
David IW Levin, Paul Kry, Kartic Subr, Ryan Schmidt, Etienne Vouga, Teseo Schneider
cs.GR
2026-08-18
把网格抽稀思路搬到软体降阶模拟上:逐个删控制柄并保证紧支撑权重,80 万四面体的篮球压到 268 个控制柄、误差 5%,非线性弹性模拟跑到每秒 150 步。
软体物理模拟(弹性体在动画、游戏、机器人里的变形)的计算量随网格分辨率急剧上升。一块 20 万顶点的 metamaterial 篮球,直接做非线性弹性模拟,每步要解一个巨大线性系统,离实时很远。降阶模型(Reduced Order Methods,ROM)是标准解法:别让每个顶点自由运动,改用少量「控制柄」(handle,每个柄带一个仿射变换,控制一组顶点的运动,类似角色动画里的蒙皮骨骼),自由度从几十万降到几百。
难点在柄和权重的自动生成。已有路线两条:先假定柄位置再算权重,或者先聚类再算权重。它们都有同一个病:特征向量算出来的权重是全局稠密的,物体远端的两块被强行耦合。后果是一旦换边界条件(比如物体落地、被夹住),系统被「锁死」,出现不自然的僵硬变形;存储上权重矩阵随柄数线性膨胀,内存装不下几个柄,降阶空间的表达力被卡死。稀疏正则化能缓解但不保证紧支撑,远处耦合仍在;聚类法则会漏放柄,比如按柔度聚类会躲开「硬但薄」的树枝部位,而那恰恰是该变形的地方。
核心思路借自 1997 年经典的网格简化(Garland-Heckbert 边折叠):先撒一大堆柄,每次删掉误差最小的那个,直到达到用户给定的误差阈值。具体流程:
误差驱动的删除顺序顺带解决了聚类法的毛病:薄而硬的部位在目标位移场里信息量大,删那里的柄误差涨得快,算法自然把柄留在该留的地方。
运行时配一套感知紧支撑的 reduced cubature(积分点抽样):把网格按柄子集切成互不重叠的单元,每个单元单独用 NNLS 挑少量「积分四面体」近似能量、梯度、Hessian 的积分,再靠基函数互不相交的性质做并行装配。整个管线用 NVIDIA Warp 实现,跑在 DGX Spark(Blackwell 架构,128GB 统一内存)上,全程 FP32。
| 设置 | 方法 | 结果 |
| 79.7 万四面体篮球(25 模态,ε=5%) | 本方法 | 268 柄,ARAP 非线性弹性 150 步/秒 |
| 等内存子空间精度(7 个模型,k=25) | 对比 Brandt et al. 2018 | 平均误差降低 6.04×,复杂模型最高 15.6× |
| 等内存子空间精度(7 个模型) | 对比 Li & Barbič 2019 | 平均误差降低 8.34×,最高 20.28× |
| 15 个模型,ε=5% | 标量自由度削减 | 除最粗的 Bunny 外普遍削减 90% 以上 |
| 每步耗时(误差 0.05、25 模态) | 全部模型 | 步长极少超过 5 毫秒,瓶颈是 PCG 求解器与地面接触 |
| 金门大桥交互 demo | 整车过桥+渲染 | 全程 30 fps,接触用罚弹簧实时处理 |
对比实验里最能说明问题的是悬臂梁(Fig. 3):两边都不带固定边界条件预计算,线性模态在等内存下严重锁死、等自由度下(10 倍内存)中度锁死,本方法的柄因为没有把边界条件烧进基函数,接触时正常弯曲。
对游戏和机器人仿真是直接可用的资产管线。机器人 RL 每秒要几百步仿真,现有框架里的软体模拟普遍简陋;预处理 36 小时换一个可以反复模拟千万次的实时资产,在这类场景里划算。对 GPU 也友好:固定 6 柄/顶点意味着内存占用可预测,适配「算力便宜、显存贵」的现代硬件。作者承诺放出全部代码、数据、柄和积分规则。
渐进判断:方法本身不发明新的降阶理论,是把网格简化这个老武器第一次搬到柄计算上,赢在工程干净利落。