3D生成技术突破 - 南洋理工大学-商汤联合研究中心S-Lab与上海人工智能实验室合作推出PhysXNet，首个系统性标注的物理基础3D数据集，填补了现有3D生成方法忽略物理属性建模的空白 [1][2][3] - PhysXNet包含超过26K带注释的3D物体，涵盖物理尺度、材料、可供性、运动学信息和文本描述五大核心维度，并推出扩展版PhysXNet-XL，包含600万个程序化生成的3D对象 [3][11][12] - 团队提出PhysXGen框架，通过预训练3D先验实现从图像到真实3D资产的生成，同步融合物理属性与几何结构 [13][26][29] 现有研究局限性 - 当前3D生成研究集中于几何结构与纹理（如Objaverse、ShapeNet数据集），但缺乏对物理属性的建模，难以满足现实世界对物理推理的需求 [6][7][8] - 物理属性标注存在测量难度高、耗时长的问题，导致相关数据集规模受限 [15][17] 数据集与标注创新 - PhysXNet采用人在回路的标注流程，结合GPT-4o获取基础信息并通过人工审核确保质量，标注内容包括部件级物理属性（如运动范围、材料参数） [16][19][20] - 数据集覆盖从室内小物体到大型室外结构，对象平均含5个部件，物理尺寸差异显著 [21][22][23] 生成模型性能 - PhysXGen在物理属性生成上显著优于基线模型（TRELLIS+PhysPre），在物理尺度、材料、运动学和可供性四个维度分别提升24%、64%、28%和72% [33][38] - 模型通过联合优化实现几何外观逼真度与物理自洽性的双重目标 [30] 行业应用前景 - 该技术将推动3D生成从虚拟向物理真实演进，适用于游戏、机器人技术和具身智能等领域 [6][44] - 团队提出端到端生成范式，包括数据集构建（PhysXNet）和生成框架（PhysXGen），为物理3D建模提供完整解决方案 [39][42]