活到老學到老，學習使人進步，知識讓我快樂。別問小編為什么突然這么正能量，問就是-CGer們學習和了解前沿知識的盛會-SIGGRAPH它又要來了！

每一年SIGGRAPH都會帶來全世界最為前沿的CG技術論文演示，為整個行業的技術發展添磚加瓦。雖然都是論文階段，但從以往的發展歷程來看，很多技術后來都成了獨立的軟件或某款軟件中的關鍵性功能。

SIGGRAPH 2026，定于7月19-23日在美國洛杉磯舉辦。會上將展示的研究主題都已揭曉，小編特意為大家整理了這24篇CG技術論文概要，咱一起來看看吧~

01

MPM Lite: Linear Kernels and Integration without Particles

提出一種名為MPM Lite的全新混合拉格朗日/歐拉方法，核心是一種新穎的應力傳遞與拉伸重構策略，徹底消除了求解階段基于粒子積分的依賴。

標準的MPM存在性能瓶頸，相比之下MPM Lite主要將粒子視為運動學狀態和材料歷史的載體。通過將背景笛卡爾網格概念化為體素六面體網格，使用高效、緊湊的線性核函數，將粒子狀態重采樣到固定位置的積分點上。這種架構上的轉變讓力的組裝和整個時間積分過程都無需再訪問粒子數據，從而讓求解器的復雜度不再與粒子數量掛鉤。

MPM Lite可以作為模塊化的重采樣單元，配合有限元（FEM）風格的積分模塊來實現，能夠直接調用現成的非線性求解器、預條件器以及明確的邊界條件處理方案。

02

Distributed Affine Body Dynamics with Adaptive Consensus

一種基于共識ADMM的ABD分布式求解方法，在分布式執行中保持了IPC級別的魯棒性和全局一致性。

在接觸豐富的物理交互中，尤其是在具身智能領域，模擬表現出近剛性行為的材料是一項反復出現的挑戰，即使微小的穿透違規也會顯著改變交互結果。

為此，研究團隊提出了一種基于交替方向乘子法（ADMM）的分布式ABD仿真框架，允許各個計算節點并行求解局部ABD子問題，并通過全局共識步驟強制共享邊界狀態的一致性，從而在分布式環境下維持IPC級別的魯棒性與全局一致性。 此外，為防止跨分區同步時產生穿透，還提出了保持可行性的共識機制，將局部有效更新與經過連續碰撞檢測認證的全局共識步相結合，僅在狀態通過CCD檢查時才應用同步。

03

JGS2-GQ: Training-free 2nd Jacobi with Gaussian Quadrature

JGS2-GQ 是一種用于彈性動力學和基于物理的仿真先進GPU加速算法。

在原始JGS2求解器的基礎上進行了改進，無需依賴昂貴的數據驅動預計算或離線訓練，采用免訓練的高斯求積法（Gaussian Quadrature）替代了傳統的數據驅動體積積分（Cubature）技術，從而實現了穩定、高分辨率的GPU物理仿真。

不僅能夠有效處理摩擦接觸問題，還保持了類似牛頓法的收斂性能；在應對未見過的形變場景時，相比JGS2無需任何離線訓練即可將性能提升50%。

04

Mixwell: Sharp 2D Fluid Brushes for Progressive Physics-Based Mixing

一項引入了“銳利的二維流體筆刷”的突破性CG算法，讓藝術家能夠創作出漸進式、與分辨率無關且基于真實物理規律的混合效果。

該方法源自圓柱形攪拌齒周圍的勢流理論，能夠在無需網格或中間重采樣的情況下評估每個樣本的漂移量，從而以極低的數值耗散實現實時、任意分辨率的流體混合與渲染。

通過摒棄傳統的網格或粒子重采樣技術，徹底消除了數值模糊（耗散）問題，在實時數字混合應用中呈現出高保真的視覺效果。

05

VideoNeuMat: Neural Material Extraction from Generative Video Models

一個兩階段流水線，目的是從視頻擴散 模型中提取可復用的神經材質資產。

在3D渲染中，創作逼真材質不僅需要極高的藝術造詣，還面臨高質量訓練數據匱乏的瓶頸。盡管近期的視頻生成模型已具備出色的材質表現力，但這些知識往往與幾何形狀和光照深度耦合，難以直接剝離使用。

為此，研究團隊提出了一種兩階段流水線，通過這一流水線，僅需文本提示即可生成高質量的神經材質。成功打破了現有的數據壁壘，生成的材質在真實感與多樣性上均遠超用于訓練的有限合成數據集。

06

Toward Richer Material Generation via Procedural Data Enhancement

基于程序化數據增強的創新框架，徹底更新了物理渲染資產和紋理的創建方式。

當前的生成式材質模型受限于結構簡單的PBR數據。

為此，研究團隊將單一的GGX材質波瓣增強為能夠捕捉更豐富視覺效果（如灰塵、清漆等）的多層、多波瓣模型。這些增強后的材質被編碼進一個共享的6D潛空間（latent space）中，作為神經材質進行表示。由此構建的全新數據集，使得生成式模型能夠創造出表現力更強、細節更豐富的材質。

07

BodyReLux: Temporally Consistent Full-Body Video Relighting

基于視頻擴散模型的特定主體重打光框架，能夠以時間上高度一致的方式對全身人物表演進行重新打光。

一個基于視頻擴散模型的框架，目的是對全身人物表演進行重新打光，能夠生成逼真且時間高度一致的結果。

模型在大型LED球形影棚中利用數字雙機同步拍攝技術（digital bi-pack technology）采集的視頻重打光配對數據上進行訓練，不僅實現了精確的動態光照控制，還能穩健地泛化應用于真實自然環境下的視頻處理。

08

8DNA: 8D Neural Asset Light Transport by Distribution Learning

基于分布學習的八維神經資產光傳輸技術， 通過從前向路徑追蹤采樣中學習概率分布，將3D資產中復雜的光散射效應預先烘焙至神經八維光傳輸函數中。

高保真3D資產能夠呈現出次表面散射、光澤互反射以及精細尺度的纖維散射等，引人入勝的全局光照效果，但往往涉及較長的光子散射路徑，因此模擬成本高昂。

為此，研究團隊引入了八維神經資產（8DNA），將這些光傳輸效應預先烘焙至神經表示中。與以往假設遠場照明并將光傳輸預計算為六維函數的方法不同，8DNA學習完整的八維光傳輸函數，支持在近場照明條件下的精確渲染。同時在處理具有挑戰性的復雜場景時，相較于傳統的路徑追蹤，實現了更低的方差和更快的推理速度。

09

Morphskein A Shape-Changing Afterimage Display Preserving Pixel Density During Surface-Area Changes Across Troposkein-Based Shapes

在基于Troppskein形狀的面積變化中保持像素密度的形變殘影顯示器。

傳統的形變顯示器在表面積擴展時通常會導致像素密度下降，從而限制可用性。

為此，研究團隊推出了MorphSkein，一種新型形變殘影顯示器。通過旋轉纜繩生成自然存在的軸對稱形狀（即Troposkein形態），能夠在不同表面積的變化過程中，始終保持最低的像素密度（在團隊的原型機中為1.44 px/cm）。

10

Volume-Preserving LBM-MPM Coupling for Air-Water-Sand Mixtures

一種針對沙-水-氣混合物（sand-water-air mixtures）的新型物理仿真框架。

由于顆粒材料與多相流體混合物 視覺復雜性源于強烈耦合的微觀結構，模擬顆粒材料與多相流體之間的動態、多尺度相互作用，在計CG學中仍是一項重大的計算挑戰。

為此，研究團隊提出了一種基于物理的仿真框架，在統一的公式下將LBM（格子玻爾茲曼方法）流體與MPM（物質點法）顆粒沙進行耦合，以模擬沙-水-氣混合物；同時引入了內置體積守恒特性的保水模型，從而能夠在多種多樣的多尺度場景中實現穩定且逼真的混合物仿真。

11

Interactive Yarn-level Knitwear with Nested Douglas Rachford Splitting

基于嵌套 Douglas-Rachford 分裂算法的交互式紗線級針織物仿真。

由于長紗線相互套結所產生的復雜運動學特性，在紗線級別上模擬針織物極其困難，傳統的布料求解器將織物視為連續的彈性薄片，無法捕捉真實針腳的物理與幾何細節。

為此，研究團隊提出了一種新型框架，利用廣義Douglas-Rachford分裂（DRS）算法和層次化分解技術來實現高分辨率的針織物仿真。通過將復雜的紗線動力學問題進行凸化處理，該框架確保了穩健且最優的收斂性。

12

Mixed Material Point Methods for Stiff Elastoplasticity

用于處理剛性彈塑性問題的混合物質點法（MPMs）。

這種物質點法（MPM）變體在混合有限元上對速度場和應力場進行離散化，從而避免了在隱式彈粘塑性求解過程中反復進行高耗時的質點到網格的數據傳輸。支持多種材料類型（從沙子和雪到彈性固體），并能與剛體求解器實現雙向耦合。

13

Fast VEM Fluid Simulation

在解析復雜邊界條件方面即為有效的，快速虛擬單元法（VEM）流體仿真。

FastVEM是一種高效的邊界適配流體仿真框架。將虛擬單元離散化、一種對仿真友好的貼體網格構建策略，以及定制的幾何多重網格方法相結合，從而實現了穩健、高保真且高效的流體-邊界交互效果。

14

Physics-Inspired Procedural Texturing of Extremely Deformable Surfaces

一種受物理啟發的季度可變形表面程序化紋理技術。

傳統如 將二維圖像紋理貼合到三維模型上的紋理映射方法，在底層物體經歷劇烈變形（如大幅度扭轉、拉伸或揉皺）時，往往會出現紋理斷裂、過度拉伸或模糊涂抹的現象。

為解決這一問題，研究團隊提出了兩種新穎的基于波的程序化紋理算法。能夠重現平流（advection）和自相似性等常見的物理屬性，從而在物體發生極端形變并導致紋理貼圖嚴重扭曲的情況下，依然能夠實現由物理規律引導的動畫效果。

15

Pixal3D: Pixel-Aligned 3D Generation from Images

一種用于從圖像創建高保真3D資產的像素對齊3D生成方法；不再在規范姿態下進行生成，而是直接以像素對齊的方式生成3D資產，從而與輸入視圖保持一致。

一種像素級對齊的范式，目的是解決“從圖像到三維”合成任務中的保真度瓶頸。

通過利用一種反向投影條件機制，該技術能夠將二維特征顯式地提升為與視角對齊的三維體積，從而消除了歧義性。這使得系統能夠從單張或多視角圖像中，可擴展地重建出高保真的三維資產和場景。

16

NeuBase: Spline with Neural Basis Functions

一項突破性的幾何建模與CG學方法，利用人工智能來構建平滑且極具表現力的3D曲面。

傳統的參數化曲面（如T-splines或標準B-splines）在處理任意拓撲結構時往往力不從心，或者需要耗費大量的人工處理。

為此，研究團隊提出了一種全新的神經參數化曲面表示方法。不僅能以極高的精度擬合目標曲面并保留豐富的幾何細節，同時還支持直觀、實時的曲面變形操作。

17

A Few-Step Generative Model on Cumulative Flow Maps

受物理傳輸與動力學中流圖（flow-map）技術啟發的，基于累積流圖的少步數生成模型。

一種基于概率空間中的長程傳輸的累積流圖（cumulative flow maps）的，統一少步數生成框架。

通過將瞬時更新與有限時間內的傳輸過程相連接，該方法廣泛適用于擴散模型和基于流的模型。支持少步數和單步數生成，僅需極少的修改即可在保持生成質量的同時，顯著降低各類任務中的推理成本。

18

Computational Design of Coordinate-Motion Assemblies

坐標運動裝配體的計算化設計。

研究團隊提出了一種用于設計基于接觸的坐標運動裝配體的計算方法，目的是滿足用戶指定的目標外觀與運動需求。

這一方法的一項關鍵支撐在于，在理論層面確立了裝配體內部的接觸幾何形狀與其零部件獨特坐標運動之間的內在聯系。

19

AtomSlicer: Constant-Thickness Field-Aligned Non-Planar Slicing for FFF

面向熔融沉積成型的恒定厚度場對齊非平面切片與連續工具路徑技術。

多軸熔融沉積成型（FFF）雖然能通過調整噴嘴方向減少階梯紋理和支撐材料，但實現可靠且高度定制化的打印仍需克服諸多挑戰。

為此，研究團隊提出一種專為熔融沉積成型（FFF）設計的3D打印方法，能夠生成非平面層以及與用戶自定義場對齊的連續工具路徑，實現了對層方向的更好控制、恒定的切片厚度以及近乎連續的沉積過程，提升打印質量的同時減少打印過程中的中斷，為先進的多軸制造提供支持。

20

MOCHI:MotionEnhancement of Collaborative Human-object Interactions

一種用于提升含噪MHOI數據質量的協作式人機交互的運動增強框架。

協作式人機交互（MHOI）場景中人與人、人與物體的動態交互極為復雜，導致高質量數據采集面臨巨大挑戰，常伴隨手物接觸未對齊、動作抖動與時間不一致以及手指關節細節缺失等多種噪聲與偽影。

為解決這一問題，研究團隊提出一種用于提升含噪MHOI數據質量的兩階段框架。能夠自動生成合理的手部與手指動作，并對含噪的身體動作進行精細化處理，從而提升多人與物體交互（MHOI）的含噪數據質量，同時完整保留原始的交互語義。

21

MotionBricks: Scalable Real-Time Motions with Modular Latent Generative Model and Smart Primitives

基于模塊化潛在生成模型與智能基元的可擴展實時運動技術。

一個實時生成框架，目的是革新動畫與機器人領域的交互式動作控制。

通過將大規模潛在生成主干網絡與直觀的“智能基元”相結合，能夠以每秒15,000幀的速度提供高質量的零樣本動作合成，讓用戶輕松構建復雜且精細的動畫及機器人應用。

22

ReActor: Reinforcement Learning for Physics-Aware Motion Retargeting

一種雙層優化框架，在利用強化學習訓練跟蹤策略的同時，讓參考動作與機器人的形態自適應匹配。

目前，將人類運動學參考動作重定向到機器人形態上仍面臨巨大挑戰，現有方法往往會產生物理上的不一致性，阻礙下游的模仿學習。

為此，研究團隊提出一種基于強化學習的動作重定向方法，能夠將人類動作遷移至包括人形機器人和四足機器人在內的多種形態上，且不會產生腳部滑動、懸空或自身穿透等偽影。采用雙層優化框架，在訓練下層強化學習策略的同時，對通過稀疏語義對應關系定義的上層重定向參數進行精細化調整，以免除了手動調節對應關系的繁瑣過程。

23

Kinematic Kitbashing

“運動學套件拼接”，通過基于抽象運動學圖組裝課重復使用的部件來合成鉸接式3D物體。

通過根據抽象的運動學圖組裝可重復使用的部件，來合成鉸接式三維物體。利用具有運動學感知能力的幾何線索，確保部件在運動過程中保持合理的連接狀態，能針對功能性目標進行優化，基于現有的部件庫創造出全新的鉸接式設計。

24

MUSIC: Learning Muscle-Driven Dexterous Hand Control

一種數據驅動的、基于物理的肌肉驅動精細控制方法，讓骨骼肌肉手能夠精準地彈奏參考數據集之外的全新鋼琴曲目。

數據驅動框架，用于實現基于物理的肌肉驅動精細控制，讓骨骼肌肉手能夠彈奏全新的樂譜。

采用分層架構，將高頻的肌肉級控制與低頻的動作協調相結合。不僅能實現雙手協調動作并生成類似人類的肌肉激活模式，還能泛化到參考數據集之外的全新曲目中。

好啦，今天就到這里，繼續下去腦子要不夠用了。

是不是感覺在知識的海洋里徜徉一圈后神清氣爽？那點個贊贊再走吧~

-今日互動-

聽說長得好看的人都給我點贊贊了